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

2 K, Z! p6 l. b! ^% k% X* l2021年研究生数模B题论文记录
1.常见数据处理方法：
2.相关性系数选择
; _: J5 x4 e! u0 r( s# ?3.聚类算法
8 F. d  l1 [3 H6 E0 O4.一种数据降维方式
1 \% C, K& D9 `5.预测模型
" a! h& l. v% P9 h$ k6 G, I" X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
+ t; k. |- \! w& n: _/ N
0 ^, P5 w8 D- K6 b5 n4 g1.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
3 q! `/ m8 @9 i6 y5 y8 f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 x' N% d" c, }6 @8 B' v2.相关性系数选择
& y" e  p1 x# l$ K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
( L$ K9 e0 F. ~0 R
% j8 o8 Y, t; f& Y  [  [7 s, g

4 t; y0 J& I1 v0 M3 C" j" s8 o& v3.聚类算法
) p: D  K) n. @. o1 Z文章中主要提到了两类，基于EM的GMM聚类，K-means聚类
! F9 }( s: Z) S6 o# Z# u* q! lK-means聚类算法
GMM聚类算法
$ O, f4 O% R" p3 Y% A4 B2 a( E& g
# b5 C" b. J5 c; p

4.一种数据降维方式
% \6 h) ?) Z; H3 N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
" q0 l3 K9 I" D  l" h

5.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
, |! N5 A8 U+ _0 l! U) |

————————————————
3 O) B3 v6 U+ C# d3 W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。
原文链接：https://blog.csdn.net/qq_44864833/article/details/126650997
8 i( K( x$ `8 c  b7 h. y
/ {( [4 V# G2 y7 C9 K" s/ u& p
7 T8 B; [5 C- F7 @1 X