数学建模常用统计学习方法总结.docxVIP

数学建模常用统计学习方法总结

PAGE

数学建模常用统计学习方法总结表

本表汇总了数据建模中常用的统计学习方法，按“统计推断与诊断工具、模型评估与选择、线性模型家族、分类方法、树与集成学习、无指导学习”六大类组织。每个方法从三个角度概括：用于什么问题（适用场景）、通俗解释（一句话直觉）、竞赛实操要点（数学建模比赛中的使用纪律）。

选用总则：先判别题型——预测类追求精度（可容忍黑箱），推断类追求解释（须能检验与讲故事）；模型复杂度由检验逼出来而非猜出来；所有依赖距离或罚金的方法用前均需标准化；调参一律交给交叉验证。

方法

用于什么问题

通俗解释

竞赛实操要点

一、统计推断与诊断工具

相关矩阵

数据探索、共线性诊断、降维可行性检验、指标体系去冗余

把所有变量两两之间的相关系数排成一张方阵，一眼看出谁和谁“长得像”。

回归前必查|r|0.8的变量对；PCA前配合KMO/Bartlett检验；永远和散点图搭档，防止漏掉非线性关系。

t统计值与p值

判断单个自变量对因变量是否有显著影响

t＝信号÷噪声；p＝“若无影响，纯靠运气出现这种数据的概率”。

p0.05即拒绝“无影响”；必须同时报告系数大小——统计显著≠实际重要；样本极大时警惕微小效应也显著。

F统计量

检验模型整体或一组变量是否有效

模型解释的波动÷剩余噪声，审“集体”而非“个人”。

回归表末尾必看；F显著≠每