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
& i( N. i& F" z# _8 c" h
2021年研究生数模B题论文记录
2 T4 U5 ^  b. u; j+ f, B3 Y1.常见数据处理方法：
2.相关性系数选择
0 l$ z  T" n3 `4 a+ q3.聚类算法
# @  ^3 e3 i5 w6 B: F& g6 Y9 C4.一种数据降维方式
& |3 D8 ]* ?7 Q4 i/ F# |5.预测模型
# y9 v6 q- ]. _/ e1 J" C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

+ j* ^( a- u$ ]; `1.常见数据处理方法：
6 ], e) c6 j! t# ?0 ]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
, A- \8 A1 m7 q! V" P9 V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:
$ h' B1 `" A! {6 s) ~% ?& ^0 P  D
2.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


) X; _0 F7 g/ N! Z5 h
* m3 @! ^+ T( \0 y$ }3.聚类算法
8 p+ J9 a( u; Z& X; z5 {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
GMM聚类算法



4.一种数据降维方式
  {/ c0 w& ~: t& Q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
+ F. u' k+ n7 S4 i0 X1 W( S- C* H' A
& s8 }( ]1 [: E
0 m6 T2 s( R  C5 N1 I6 {+ i5.预测模型
2 O2 @/ K& ?  @* ~# @  t$ z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
% h. U- ]4 A  s& R0 U" v4 n5 J* l% m
  H" l9 d! d8 x: ^9 G
————————————————
2 M2 L& |' f9 }7 d- X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。
( ?! M7 ?. K9 D+ r4 N原文链接：https://blog.csdn.net/qq_44864833/article/details/126650997
; m9 U5 e- [" p, r+ a3 V
; n/ G! d: I# W& y# Q: o3 j