- 博客(5)
- 收藏
- 关注
RSS订阅原创 数模国赛冲刺 | 预测类创新算法CNN-GRU、CNN-LSTM、CNN-BiGRU、CNN-BiLSTM、CNN-BiGRU-Attention、CNN-BiLSTM-Attention
CNN-GRU模型是卷积神经网络（CNN）与门控循环单元（GRU）的结合体。CNN擅长从输入数据中提取空间特征，而GRU用于处理时间序列，捕捉序列数据中的时间依赖性。该组合特别适用于需要同时分析空间和时间特征的数据，如图像字幕生成、视频分析等任务。CNN-LSTM模型是卷积神经网络（CNN）与长短期记忆网络（LSTM）的结合体。CNN用于从输入数据中提取空间特征，而LSTM用于处理时间序列数据，捕捉长时间的序列依赖性。该模型适用于需要同时分析空间特征和时间特征的数据，如文本生成、视频分析等任务。
2024-09-02 21:18:58
1755
原创 数模国赛冲刺 | 预测类创新算法 TCN-GRU/BiGRU
因果卷积由一维卷积组成，其输出基于上一层当前时刻和更早时刻的输入联合生成，是一种严格遵循时间约束的模型，适用于挖掘时序数据的潜在特征。该模型充分利用了 TCN 在局部特征提取和捕捉时序数据中远距离依赖关系的能力，以及 BiGRU 在全局上下文理解和双向信息流处理上的优势，从而更全面地捕捉时序数据中的相关信息，同时更好地建模时序数据中的长期依赖关系，最终实现提高预测精度的目标。GRU层：TCN层的输出被传递到GRU层，GRU通过其门机制进一步捕捉数据中的序列依赖性，尤其是处理长程依赖的情况下非常有效。
2024-08-27 00:46:18
743
原创 数模国赛冲刺 | 数据预处理方法合集（特征工程、数据降维、数据划分、数据平衡）
交叉验证通过将数据集划分为多个互斥的子集，每次使用其中一个子集作为验证集，其他子集作为训练集，反复进行训练和验证，从而更全面地评估模型的性能。主成分分析（PCA）是一种线性降维技术，通过将数据投影到方差最大的方向上，从而减少数据的维度。EasyEnsemble是一种集成方法，它通过对多数类进行多次随机欠采样，生成多个平衡的子集，并训练多个分类器，将这些分类器的结果集成。首先通过SMOTE合成新的少数类样本，接着使用ENN算法删除数据集中可能包含噪声的多数类样本，从而在增加少数类样本的同时清理数据。
2024-08-26 14:26:31
1224
原创 数模国赛冲刺 | 数据预处理方法合集（数据清洗、数据变换与数据编码）
数据清洗是数据分析和机器学习中的关键步骤，它包括多个方面：处理缺失值，识别并处理异常值，删除重复数据，以及应用数据变换技术。数据变换可能包括标准化（将数据缩放到0到1之间），归一化（调整数据至均值为0，标准差为1），对数变换以处理偏态分布，Box-Cox和Yeo-Johnson变换以稳定方差并使数据更接近正态分布，以及分位数变换以将数据转换为均匀分布。此外，数据编码是将分类变量转换为数值形式的过程，包括标签编码、独热编码、二值化、频数编码、目标编码、哈希编码和分箱编码。这些清洗和转换步骤确保了数据的质量和一
2024-08-25 20:50:13
1915
原创 降维打击！数模国赛用什么方法才能拿国奖？
在数学建模的战场上，如何才能迅速脱颖而出，拿下那备受瞩目的国赛大奖？今天，Easy数模将带你走进一个全新的视角，借助中那些“高阶玩家”的成功经验，助你轻松应对本科数学建模国赛，冲刺国奖。研究生数学建模比赛中的优秀论文常常展现出更加宏观的视野。相较于本科生比赛中的“解题式”思维，研究生比赛更注重全局观念和整体模型的搭建。如何借鉴这一思路？从问题的定义到模型的建立，再到求解与优化，每一步都要精细而系统。Fig1：优秀论文研究框架图研究生建模的一个关键技巧是如何在复杂问题中找到核心变量，进行适当的简化。
2024-08-25 20:34:30
1078
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人