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

2021年研究生数模B题论文记录
+ B; v$ G, P: m; a( S1.常见数据处理方法：
3 ~9 W2 {- {+ E, j2.相关性系数选择
7 d1 r* |% c3 n$ v* L# v' e& e" E3.聚类算法
9 V/ T. {8 Q6 W. V6 w: H& [4.一种数据降维方式
) a3 c' ?5 N0 c& D5.预测模型
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
7 d4 a3 F1 P8 {% B
1.常见数据处理方法：
% R3 b& f* T2 G1 p* {) E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:
1 Q" g$ ~/ \" l2 ~) a; @
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

0 _2 V" M! ?8 `. ^+ O" \
. x' X4 M6 S4 b( U( K
& X. u, H  {$ \2 U3.聚类算法
6 ?$ t/ L/ E0 \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
# c; ~, a. I4 M  sGMM聚类算法

! ~% u% E2 o$ r- Z, D/ W
4 a/ T. ^- R# r" F
4.一种数据降维方式
; D- U0 f8 b7 B- P1 S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

% _; M* R# c. N1 |7 w
5.预测模型
) C& a" P9 W% @; `$ O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


————————————————
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。
# {4 G" ]5 I: h" \+ s- u原文链接：https://blog.csdn.net/qq_44864833/article/details/126650997
' _. X! N1 S& Q6 `; g
5 t3 i3 L% G' ^; o
8 M, }  ^9 y' |  d: ]