2021年研究生数模B题论文记录

杨利霞

2021年研究生数模B题论文记录

3 |) ^5 B: k) W1 \8 S5 M) P! s2021年研究生数模B题论文记录
* a3 S& }6 T1 ^$ i" T1.常见数据处理方法：
2.相关性系数选择
. Z$ r  e5 h( ~& j/ ^" l- f3.聚类算法
4.一种数据降维方式
5.预测模型
$ G* \6 y+ E! j. ~3 B5 ?文章来源 2021年全国大学生研究生数学建模竞赛优秀论文集合，B题，文章编号：B21100130067
( v% v+ U6 W$ t7 O% K8 n9 [' B2 A
3 `! o! _( l: d, Q- ]! U1.常见数据处理方法：
针对缺失值，文章使用的是拉格朗日插值法，相较于平均值插值法，更加适用于有时间序列性质的数据，同时插值后的数据属于预测的一部分，文章中的观点是保留小数
针对异常值，一种是不符合实际意义的数据，需要通过文献查找进行删除，一方面可以通过箱线图进行判断，也可以使用3σ准则进行判断,3σ准则解释:

0 N9 f( _9 M& f& v2.相关性系数选择
常见的有三种，皮尔森相关系数，肯德尔相关系数，斯皮尔曼相关系数，知乎解释


! Z8 R1 C; f3 H8 j) r
$ x  c' J5 {, n0 @7 A  Y1 |2 j; i3.聚类算法
* f0 {9 Q" k4 ]) }/ h3 t  w# P文章中主要提到了两类，基于EM的GMM聚类，K-means聚类
K-means聚类算法
! i. |% X5 m5 P  \4 UGMM聚类算法


" v. R1 q7 W; [  m; p6 d9 J
4.一种数据降维方式
. ]% _$ c6 D* D, f, c论文中提到的将22维的数据进行降维处理，判断降维后的数据是否容易进行聚类，进而推论出高维是否容易聚类，提到的算法是t-SNE t-SNE算法
; \, F3 c* M+ [7 x- S7 Q/ g

+ o2 `# p, L1 h( b5 Y, q5.预测模型
文中使用的是XGBoost算法，论文中的第三问和第四问都是用的这个算法，使用时候，作者将数据进行纵向合并，数据集划分等操作，同时由于输入的维度过高，达到22维，而输出维度很低，还通过了输入特征与输出值的相关性，将维度进行降低，提出相关性不高的特征，最后图像看起来很好。XGBoost算法讲解
0 o, O9 a" L, S& |. n

/ ]) R9 m! e& P————————————————
版权声明：本文为CSDN博主「Philo`」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
$ c0 Y0 p7 _0 K: H. G& H5 m  l  E原文链接：https://blog.csdn.net/qq_44864833/article/details/126650997
5 [# I5 i$ V' k# z5 l/ s1 @  W

% b3 |7 @2 @* |" {5 K4 v: o5 D# g