capsnever的博客

https://blog.csdn.net/cool99781/article/details/107016967

跟队友在美赛准备，因为之前用到过EXCEL标记选项自动着色，感觉比较好。但是这次画图的时候发现不会了，找了很多资料都没找到。mark一下以这个为例子：首先然后选择这个最后效果：

function [X_norm, mu , sigma] = featureNormalize(X) %没有过的 mu=mean(X); sigma=std(X); X_norm=(X-mu)/sigma; %改了之后的 mu=mean(X); sigma=std(X); X_norm=(X-mu)./repmat(sigma,size(X,1),1); % ===============================

图、表、公式、模型的完备程度、衔接是否恰当

SPSS操作步骤：注：此时需要进行判断，<0.01

参考文章：https://blog.csdn.net/taojiea1014/article/details/79683826?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522162935803216780357262887%2522%252C%2522scm%2522%253A%252220140713.130102334…%2522%257D&request_id=162935803216780357262887&biz_

作用：对很多个维度进行降维，利于以后的相关操作，或提高经济效益注：主成分分析并没有因子分析好用，在实际建模过程中，多用因子分析降维

事先声明：学校的老师不建议使用智能算法，或者最大的妥协就是非常小的局部使用智能算法，因为现在智能算法还没有好的证明。会用即可。。。有些问题是没有一个比较好的算法去求出它的最优解的，比如TSP旅行商问题，可以很容易想到的一个办法是穷举，但是这样一来时间复杂度过高，比如10个变量直接爆炸，所以就有了智能算法。比如启发式搜索，就是用每一次搜索得到的信息去修正下一步的步骤再比如遗传算法，模拟自然界中的生物的遗传和变异去处理一串信息，建议使用司守奎老师最后改进后的算法...

参考文章：https://zhuanlan.zhihu.com/p/158592530灰色预测用在以年份为单位的序列中，时间序列模型用在以月份、季度等作为单位的序列中（周期长度<1年）就是说，要通过一系列的处理将其变为有规律的序列，通过这个有规律的序列来预测未来,同时，灰色预测模型在预测数据量较少的序列比较好...

时间序列的使用条件：必须能够看出具有周期性季节趋势：绝不可以用年作为单位，需要用月份、季度、周做循环变动：需要用年作为周期单位？？？？处理缺失值，疑问：为什么不适用插值法？？处理完了趋势处理季节性分解，注意这里的平均值的选择为什么要进行季节性分解？...

皮尔逊相关系数：假设检验：在使用皮尔逊等相关系数之前，最好写一个描述性统计，可以使用EXCEL/SPSS进行。步骤：1.使用SPSS画出矩阵散点图，看看是否为LINEAR2.如果是线性，则进行下一步。写出描述性统计3.计算皮尔逊相关系数（matlab的corrcoef函数）4.使用EXCEL画出相关系数表，比如：5.对皮尔逊相关系数进行检验或者：6.检验数据的来源是否为正态分布（1）大样本，n>30偏度和峰度的计算方法：使用matlab进行简便的计算：