美赛常用算法学习笔记（1）

美赛常用算法学习笔记（1）

美赛快开始了，抱佛脚
网课https://www.bilibili.com/video/BV13i4y1u7MN的笔记
常用算法汇总
数据处理

插值拟合：主要用于对数据的补全和基本趋势分析
小波分析，聚类分析（高斯混合聚类，K-均值聚类等）：主要用于诊断数据异常值并进行剔除
主成分分析、线性判别分析、局部保留投影等：主要用于多维数据的降维处理，减少数据冗余

关联与因果：

灰色关联分析方法（样本点的个数较少）
Superman或kendall等级相关分析
Person相关（样本点的个数比较多）
Copula相关（金融学、概率密度）
典型相关分析（很多个自变量和因变量，问那一对关联更紧密）

分类与判别：

距离聚类（系统聚类）（坐标）
关联性聚类（不同指标）
密度聚类
其他聚类
贝叶斯判别（统计判别方法）
费舍尔判别（训练的样本比较少）
模糊识别（分好类的数据点比较少）

评价与决策

模糊综合评价：评价一个对象的优、良等层次，不能排序
主成分分析：评价多个对象的水平并排序，指标间有较强的关联性
层次分析法：做决策，通过指标，综合考虑做决定
数据包络(DEA)分析法
秩和比综合评价法
神经网络评价：适用于多指标非线性关系明确的评价
TOPSIS法（优劣解距离法）
投影寻踪综合评价法
方差分析、协方差分析

预测与预报

<小样本：200个以下；大样本：老大一个堆>
小样本内部预测
大样本内部预测
小样本未来预测
大样本的随机因素或中期特征的未来预测
大样本的未来预测

灰色预测模型<点数很少>
数据样本点个数少，6-15个
数据呈现指数或曲线的形式

微分方程预测<点数不是那么少50-100>
无法直接找到原始数据之间的关系，但可以找到原始数据变化速度之间的关系，通过公式推导转化为原始数据之间的关系

回归分析预测
求一个因变量与若干自变量之间的关系，若自变量变化之后，求因变量如何变化
<自变量之间协方差比较小，最好趋于0，自变量间关系小>
<样本点的个数n>3k+1，k为自变量的个数>
<因变量要符合正太分布>

马尔科夫预测
一个序列之间没有信息的传递，前后没有联系，数据与数据之间随机性强，相互不影响，只能得到概率

时间序列预测
与马尔科夫预测互补，至少2个点需要信息的传递，ARMA模型，周期模型，季节模型等

优化与控制

线性规划、整数规划、0-1规划（有约束，确定的目标）
非线性规划与智能优化算法
多目标规划和目标规划（柔性约束，目标含糊，超过）
动态规划
图论、网络优化（多因素交错复杂）
排队论与计算机仿真
模糊规划（范围约束）
灰色规划