本文详细总结了数据科学中常用的综合评价方法，包括专家评价、运筹学方法（如AHP、FCE、DEA）、统计与经济方法（如TOPSIS、主次分析、费用效益分析）、新型评价方法（如神经网络、灰色系统）以及混合方法。此外，还涵盖了数值计算的插值和拟合、假设检验、回归分析、图论、分类与聚类算法、时间序列分析和预测方法。这些技术在解决实际问题中发挥着重要作用，涉及领域广泛，如决策支持、数据分析和预测建模。
常用数模知识点及方法总结
一、综合评价方法
根据各评价方法所依据的理论基础，现代综合评价方法大致分为以下四大类：
1、 专家评价方法
2、运筹学与其他数学方法
2.1、层次分析法（AHP）
2.2 、模糊综合评判法（FCE）
2.3 、数据包络分析法（DEA）
3 、基于统计和经济的方法
3.1 、TOPSIS评价法，优化可用熵权法
3.2 、主次分析法和因子分析法
主成分分析法通过克服相关性、重叠性，用较少的变量来代替原来较多的变量，而这种代替可以反映原来多个变量的大部分信息，这实际上是一种“降维”的思想。
因子分析法用少数几个假想变量来表示其基本的数据结构。这几个假想变量能够反映原来众多变量的主要信息。原始的变量是可观测的显在变量，而假想变量是不可观测的潜在变量，称为因子。
3.3 、费用效益法
4 、新型评价方法
4.1 、人工神经网络评价方法（ANN）
基于BP人工神经网络的综合评价方法具有运算速度快、问题求解效率高、自学习能力强、容错能力强等优点，较好地模拟了评价专家进行综合评价的过程，因而具有广阔的应用前景。
4.2 、灰色综合评价法
灰色系统理论主要是利用已知信息来确定系统的未知信息，使系统由“灰”变“白”。其最大特点是对样本量没有严格的要求，不要求服从任何分布。灰色关联度便是灰色系统理论应用的主要方面之一。
5、混合方法：组合评价法
二、插值和拟合（数值计算方法）
1、插值
1.1、牛顿插值
1.2、拉格朗日插值
1.3、埃米尔特插值
1.4、样条插值
2、拟合
2.1最小二乘拟合
2.2最佳逼近（最佳平方、最佳一致等）
三、假设检验（概率论与数理统计方法）
1、相关系数
1.1、皮尔逊相关系数
皮尔逊相关系数适用于呈正态分布的连续变量。对离群值敏感。通常会用t检验之类的方法来进行皮尔逊相关性系数检验。需要先确认这两个变量是线性相关的。
连续数据，正态分布，线性关系，均满足，用皮尔逊相关系数最恰当。若数据有定序，则用斯皮尔曼秩相关系数。
1.2、斯皮尔曼相关系数
另一种定义：等级之间的皮尔逊相关系数。
皮尔逊相关系数适用于线性关系，而斯皮尔曼相关系数适用于单调关系（线性关系的斜率是固定的）。皮尔逊相关系数使用元数据进行计算的，而斯皮尔曼相关系数是基于秩计算的。
1.3、肯德尔相关系数
肯德尔相关系数，又称肯德尔秩相关系数，它也是一种秩相关系数，不过，它的目标对象是有序的类别变量，比如名次、年龄段、肥胖等级(重度肥胖，中度肥胖、轻度肥胖、不肥胖)等。它可以度量两个有序变量之间单调关系强弱。
1.4、区别和选择
与皮尔逊相关系数相比，斯皮尔曼相关系数、肯德尔相关系数，是基于数据秩的相关系数。由于这些估计量操作的是秩,而非数据值,所以它们对离群值稳健, 并可以处理特定类型的非线性关系。多数情况下, 基于秩的估计量适用于小规模的数据集以及特定的假设检验。
（参考：
1、什么是相关系数
2、皮尔逊、斯皮尔曼、肯
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
