数学建模.灰色关联分析

1.前言:

        如果要提高一片土地的粮食产量,那么肯定是要从土肥,土质,天气,气候,灾害,光照,水分等因素去分析,那么灰色关联分析就是去比较这些因素的权重,即判断哪个因素影响力大,这就是灰色关联分析的作用。其实也可以使用回归分析,方差分析等数理统计,但是他们缺点就是数据小的话误差很大,而灰色关联分析就可以很好解决数据小的问题。

2.基本思想:

灰色关联分析是根据序列曲线几何形状的相似程度来判断其联系是否紧密。曲线越接近,相应序列之间的关联度就越大,反之越小

3.步骤:

a:画图:

类似与这种,可以选择excel来制作

b:确定分析数列

母序列:类似于函数的因变量y

子序列:类似于函数的自变量x

在本例中:国内生产总值讲就是母序列,第一二三产业就是子序列

c:对变量进行预处理:

可以消去量纲,缩小变量范围简化计算

方法:求出每个指标的均值,再每个元素/均值

d:计算子序列中各个指标与母序列的关联系数

方法:

e:求每一列的平均值

f:得出结论:

受到第三产业的影响最大

补充:整个计算过程都是可以用excel来完成的,后面也会给出此算法matlab代码

本篇文章是学习清风网课后的总结,希望对大家有所帮助

  • 30
    点赞
  • 11
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
数学2017b灰色关联分析是一种常用的数据分析方法,它可以用来研究变量之间的相关性,并衡量它们之间的关联程度。下面是一份关于数学2017b灰色关联分析的代码示例: 1. 导入所需的库和块: ```python import numpy as np import pandas as pd from scipy.stats import pearsonr ``` 2. 定义计算灰色关联度的函数: ```python def grey_relation_coefficient(X, Y): # 对原始数据进行标准化处理 X_norm = (X - np.min(X)) / (np.max(X) - np.min(X)) Y_norm = (Y - np.min(Y)) / (np.max(Y) - np.min(Y)) # 计算灰色关联系数 coefficient = np.abs(X_norm - Y_norm).sum() / np.abs(X_norm - Y_norm).max() return coefficient ``` 3. 读取数据: ```python data = pd.read_csv('data.csv') # 假设数据保存在data.csv文件中 ``` 4. 进行灰色关联分析: ```python # 定义变量X和变量Y X = data['变量X'] Y = data['变量Y'] # 计算灰色关联度 coefficient = grey_relation_coefficient(X, Y) ``` 5. 输出结果: ```python print('灰色关联度为:', coefficient) ``` 上述代码以Python为例,展示了如何进行数学2017b灰色关联分析。其中,函数`grey_relation_coefficient`定义了计算灰色关联度的过程,通过对原始数据进行标准化处理,计算变量X和变量Y之间的关联程度。最后,通过读取数据、调用函数并输出结果,完成了整个灰色关联分析过程。请根据具体的数据和分析目的,进行相应的修改和优化。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值