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 q9 @$ _( @2 s
8 }& W5 d0 B2 x; [2021年研究生数模B题论文记录
8 G  t5 P4 [6 F* w7 \& [1.常见数据处理方法：
2.相关性系数选择
3.聚类算法
$ r, G4 g0 [+ m6 u4.一种数据降维方式
9 r9 A) C0 z. b( y, g: n' |$ E5.预测模型
$ L! I3 N1 ?2 Z5 F0 ~4 X& X. C9 E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

+ C- }/ K; D: P8 o1 K1.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
+ h3 K% n% V0 s  x( |2 i% ^9 {- ^# ?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:
- X% ^' H. T5 v6 b3 ?7 `
$ ~' k+ \( `% ^. n2.相关性系数选择
7 A% |0 `( ^  t% d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



2 V( n0 m8 B+ L2 C% D  u( b2 A! R3.聚类算法
文章中主要提到了两类，基于EM的GMM聚类，K-means聚类
/ K& r7 F/ p- c, E. N! K( ~5 TK-means聚类算法
0 A! Y2 I# z6 \0 e. b# W- ^GMM聚类算法



4.一种数据降维方式
1 H6 S1 y$ x4 z9 z8 D! M: Z, x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
8 @% w' b/ w7 J

, c5 L; T" V2 i2 W* s( x" r* B5.预测模型
9 H3 o" _  \2 n! 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


) g6 H  C& e& V————————————————
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

) g% @. O( l% x, l: |3 _
! Z" ]3 P6 S6 ^6 t, \: W1 d