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
/ ?) d8 b$ I% O5 ]0 E
2021年研究生数模B题论文记录
  l3 u, B9 Y3 U6 K( j2 N/ z# r& X1.常见数据处理方法：
2.相关性系数选择
  [( y$ |# f. [) ]; T6 v3.聚类算法
4.一种数据降维方式
! e# k' I* i5 W( I( K7 c! h5.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
/ Q6 ^6 z& @5 m9 W
- h0 i7 g/ `0 r# \# S9 X1.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:
2 x) K$ U+ E# ]/ s+ s( ]
/ W* Y% N# l1 }7 J7 j8 r6 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



# \+ ^4 u1 o" l. V1 T3.聚类算法
& r) D) p! H. F; b文章中主要提到了两类，基于EM的GMM聚类，K-means聚类
5 a8 ]% O' a1 W  QK-means聚类算法
3 A; m; r( s. N" S, FGMM聚类算法
& f; g- V. B" T- E

* y& g7 L- I) X' D4 P1 v, ~7 g
4.一种数据降维方式
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
; R$ ^3 v7 j, g8 _# @) Y
' Z/ G+ x$ e; }& N' a  ^! l3 ]
+ H+ v) P9 E+ a! A" c* n5.预测模型
3 q+ X  j) k  P  O& f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

) i7 F8 y8 z& ]  ]  n
& U5 n( i* m2 B2 ~————————————————
" _) B. t% v6 P) S! 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。
原文链接：https://blog.csdn.net/qq_44864833/article/details/126650997
; f" {' n& ^6 v! ^8 e
( s6 @4 y2 i6 c' _  Q1 X' V' q& k0 L