- 博客(7)
- 收藏
- 关注
RSS订阅原创 相关性模型 之 皮尔逊相关系数与斯皮尔曼相关系数
皮尔逊pearson相关系数和斯皮尔曼spearman等级相关系数。它们可用来衡量两个变量之间的相关性的大小，根据数据满足的不同条件，我们要选择不同的相关系数进行计算和分析（建模论文中最容易用错的方法）。基本概念总体——所要考察对象的全部个体叫做总体.我们总是希望得到总体数据的一些特征（例如均值方差等）样本——从总体中所抽取的一部分个体叫做总体的一个样本计算这些抽取的样本的统计量来估计总体的统计量：例如使用样本均值、样本标准差来估计总体的均值（平均水平）和总体的标准差（偏离程度）皮尔逊Pea
2020-07-14 20:56:12
39385
3
原创 插值拟合模型 之 Hermite插值、三次样条插值
常常需要根据已知的函数点进行数据、模型的处理和分析，而有时候现有的数据是极少的，不足以支撑分析的进行，这时就需要使用一些数学的方法，“模拟产生”一些新的但又比较靠谱的值来满足需求，这就是插值的作用。定义与概念注：建模比赛中前两种用得比较多插值法 原理以及证明过程如下（了解原理后可跳过）以下介绍两种简单插值方法，但是效果一般不太理想，特别是对于容量较大的数据集。拉格朗日插值法牛顿插值法...
2020-07-11 11:49:02
11620
原创 评价类问题 之 优劣解距离法（TOPSIS）
TOPSIS法（Technique for Order Preference by Similarity to Ideal Solution）可翻译为逼近理想解排序法，国内常简称为优劣解距离法TOPSIS 法是一种常用的综合评价方法，其能充分利用原始数据的信息，其结果能精确地反映各评价方案之间的差距。C.L.Hwang 和 K.Yoon 于1981年首次提出 TOPSIS 。TOPSIS 法是一种常用的综合评价方法，能充分利用原始数据的信息，其结果能精确地反映各评价方案之间的差距。基本过程为先将原始数据
2020-07-09 18:06:58
5066
原创 降维模型 之 主成分分析法（PCA）
数据降维的作用降维是将高维度的数据（指标太多）保留下最重要的一些特征，去除噪声和不重要的特征，从而实现提升数据处理速度的目的。在实际的生产和应用中，降维在一定的信息损失范围内，可以为我们节省大量的时间和成本。降维也成为应用非常广泛的数据预处理方法。主成分分析便是一种降维算法主成分分析的思想计算步骤1、首先我们将其变准化处理2、计算标准样本的协方差矩阵3、计算R的特征值和特征向量4、计算主成分及累计贡献率5、写出主成分6、根据系数分析主成分代表的意义对于某个主成分而言，指
2020-05-11 22:27:53
5197
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