数学建模方法模型.pdfVIP

数学建模方法模型 一、统计学方法 1 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。具体地说:其可以定量地描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。 2、分类 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 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) 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。 4、使用步骤: (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 (5)进行后继研究(如:预测等) 2 聚类分析 1、方法概述 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。 2、分类 聚类有两种类型: (1) Q型聚类:即对样本聚类; (2) R型聚类:即对变量聚类; 通常聚类中衡量标准的选取有两种: (1) 相似系数法 (2) 距离法 聚类方法: (1) 最短距离法 (2) 最长距离法 (3) 中间距离法 (4) 重心法 (5) 类平均法 (6) 可变类平均法 (7) 可变法 (8) 利差平均和法 在具体做题中，适当选区方法; 3、注意事项 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 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 阵中最小的元素，将 该元素对应的两个类归为一类， (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。 3 数据分类 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 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: (1)神经网路 (2)决策树(这里不再阐述，有兴趣的同学，可以参考数据挖掘和数据仓库相关书籍) 3、注意事项 神经网路适用于下列情况的分类: (1) 数据量比较小，缺少足够的样本建立数学模型; (2) 数据的结构难以用传统的统计方法来描述 (3) 分类模型难以表示为传统的统计模型 神经网路的优点: 分类准确度高，并行分布处理能力强，对噪声数据有较强的鲁棒性和容错能力，能 够充分逼近复杂的非 线性关系，具备联想记忆的功能等。 神经网路缺点: 需要大量的参数，不能观察中间学习过程，输出结果较难解释，会影响到结果的可 信度，需要较长的学 习时间，当数据量较大的时候，学习速度会制约其应用。 4、步骤 (1)初始化全系数 (2)输入训练样本 (3)计算实际输出值 (4)计算实际输出值和期望输出值之间的误差 (5)用误差去修改权系数 (6)判断是否满足终止条件，如果满足终止，否则进入第二步 4 判别分析 1、概述 其是基于已知类别的训练样本，对未知类别的样本判别的一种统计方法，也是一种有监 督的学习方法， 是分类的一个子方法～ 具体是:在已经研究过分类的样本基础上，根据某些判别分析方法建立判别式，然后对未知 分类的样本 进行分类～ 2、分类 根据判别分析方法的不同，可分为下面几类: (1) 距离判别法 (2) Fisher 判别法 (3) Bayes 判别法 马氏距离判决法(江南大学 胃癌疾病的诊断) (4) 逐步判别法 关于这几类的方法的介绍，大家可以参考《多元统计学》，