数学建模思想方法大全及方法适用范围.docVIP

数学建模思想方法大全及方法适用范围 数学建模思想方法大全及方法适用范围 PAGE 数学建模思想方法大全及方法适用范围 《数学建模思想方法大全及方法适用范围》 主讲人：厚积薄发（冰强，Bruce Jan） 数学中国社区-专业的数学建模网站 第一篇：方法适用范围3 m m) _0 n* p. Q5 l 一、统计学方法* t( u* Q0 B4 R 多元回归 1、方法概述： 在研究变量之间的相互影响关系模型时候，用到这类方法，具体地说：其可以定量地描??h7 W5述某一现象和某些因素之间的函数关系，将各变量的已知值带入回归方程可以求出因变量的估计值，从而可以进行预测等相关研究。3 j8 N6 J- ( T 2、分类7 F# C; q% k9 N( t4 M8 |; M 分为两类：多元线性回归和非线性线性回归；其中非线性回归可以通过一定的变化转% @( ^- 化为线性回归，比如：y=lnx 可以转化为y=u u=lnx 来解决；所以这里主要说明多元线性( M1 L回归应该注意的问题。 3、注意事项 在做回归的时候，一定要注意两件事： （1） 回归方程的显著性检验（可以通过sas 和spss 来解决） （2） 回归系数的显著性检验（可以通过sas 和spss 来解决）3 u4 F: i. d??T7 a0 ]9 E* f( U, @2 j0 w 检验是很多学生在建模中不注意的地方，好的检验结果可以体现出你模型的优劣，是完 整论文的体现，所以这点大家一定要注意。$ b- ~. l) p# F+ o \) f??u 4、使用步骤：. i: L! U6 W! v8 w5 g （1）根据已知条件的数据，通过预处理得出图像的大致趋势或者数据之间的大致关系； （2）选取适当的回归方程； （3）拟合回归参数； （4）回归方程显著性检验及回归系数显著性检验7 n/ C+ u# y- q （5）进行后继研究（如：预测等）4 M7 j2 W% T \$ a9 a 聚类分析 1、方法概述: F e5 r% V5 S, S0 T! s 该方法说的通俗一点就是，将n 个样本，通过适当的方法（选取方法很多，大家可以自 行查找，可以在数据挖掘类的书籍中查找到，这里不再阐述）选取m 聚类中心，通过研究- 各样本和各个聚类中心的距离Xij，选择适当的聚类标准，通常利用最小距离法（一个样本归于一个类也就意味着，该样本距离该类对应的中心距离最近）来聚类，从而可以得到聚类. 结果，如果利用sas 软件或者spss 软件来做聚类分析，就可以得到相应的动态聚类图。 这种模型的的特点是直观，容易理解。$ u% \+ f0 F x u9 R+ x) s% T 2、分类! n* i. a; ! T; y3 B 聚类有两种类型： （1） Q 型聚类：即对样本聚类；/ q/ e ^0 s7 r3 C. a* M2 \ （2） R 型聚类：即对变量聚类； U) w+ Q0 D* J6 N y H 通常聚类中衡量标准的选取有两种：9 W9 |8 m0 q$ Y （1） 相似系数法- e( p??f ^! f0 B; |) ~ （2） 距离法 聚类方法：* D) v* s- e: V m （1） 最短距离法1 l( R! Z! H9 _* y （2） 最长距离法 （3） 中间距离法 i* T8 z??X) b. e9 p （4） 重心法7 T( `2 D??J! B) p （5） 类平均法 （6） 可变类平均法7 T$ S- X: G( r/ v m （7） 可变法 B M j??l% q W; P （8） 利差平均和法 在具体做题中，适当选区方法； 3、注意事项+ V% T; ! _) U3 R: X0 h 在样本量比较大时，要得到聚类结果就显得不是很容易，这时需要根据背景知识和相关( G的其他方法辅助处理。 4、方法步骤 （1）首先把每个样本自成一类； （2）选取适当的衡量标准，得到衡量矩阵，比如说：距离矩阵或相似性矩阵，找到矩/ G! A. ] i! G. p k阵中最小的元素，将该元素对应的两个类归为一类，9 T! K. F- v Z M- n （3）重新计算类间距离，得到衡量矩阵 （4）重复第2 步，直到只剩下一个类； 补充：聚类分析是一种无监督的分类，下面将介绍有监督的分类。 数据分类. K5 C??z m2 F* V 3 n! x) a 1、方法概述 数据分类是一种典型的有监督的机器学习方法，其目的是从一组已知类别的数据中发现0 r3 v,分类模型，以预测新数据的未知类别。这里需要说明的是：预测和分类是有区别的，预测是 对数据的预测，而分类是类别的预测。 2、分类 方法： {3 ]# k0 C7 y G: L0 |. L H8 { （1）神经网路7 V) z