数学建模的笔记汇总
前段时间作为小白第一次参加了美国大学生数学建模 ,感触良多,最主要的就是技术层面的不过关
和对知识点的生疏
,正赶上这次的数学建模校内选拔赛,要好好准备一下
层次分析法
先一致性检验,再计算权重向量(要归一化)
TPOPSIS
基本过程为先将原始数据矩阵统一指标类型(一般正向化处理)得到正向化的矩阵,再对正向化的矩阵进行标准化处理以消除各指标量纲的影响,并找到有限方案中的最优方案和最劣方案,然后分别计算各评价对象与最优方案和最劣方案间的距离,获得各评价对象与最优方案的相对接近程度,以此作为评价优劣的依据。该方法对数据分布及样本含量没有严格限制,数据计算简单易行。
TSP旅行商问题
TSP旅行商贪心算法C++实现
动态规划三种背包专讲代码实现
状压DP从杭电代码开始基础篇
Tips
1.P类问题:存在多项式时间算法的问题。
2.NP类问题:能在多项式时间内验证得出一个正确解的问题。(NP:Nondeterministic polynominal,非确定性多项式) 比如TPS[1]
P类问题是NP问题的子集,因为存在多项式时间解法的问题,总能在多项式时间内验证他。
3.NPC类问题(Nondeterminism Polynomial complete):存在这样一个NP问题,所有的NP问题都可以约化成它。换句话说,只要解决了这个问题,那么所有的NP问题都解决了。其定义要满足2个条件:
- 首先,它得是一个NP问题;
- 然后,所有的NP问题都可以约化到它。
- 要证明npc问题的思路就是:
先证明它至少是一个NP问题,再证明其中一个已知的NPC问题能约化到它。
惩罚因子与损失函数
惩罚因子的作用是把受限优化问题转化为非受限优化问题。(类似于拉格朗日函数)
加上罚函数,仅仅是为了惩罚那些不满足约束条件的个体,以此来解决约束优化问题
损失函数是分类(或回归)过程中计算分类结果错误(损失)的函数。为了检验分类结果,只要使总损失函数最小即可。
R2与R
只要曾加了更多的变量,无论增加的变量是否和输出变量存在关系,则R-squared 要么保持不变,要么增加。
So, 需要adjusted R-squared ,它会对那些增加的且不会改善模型效果的变量增加一个惩罚向。
结论,如果单变量线性回归,则使用 R-squared评估,多变量,则使用adjusted R-squared。
典型相关分析
研究两组变量(每组变量中都可能有多个指标)之间相关关系的一种多元统计方法。它能够揭示出两组变量之间的内在联系。(与量纲无关)
系数矩阵都是针对样本来说的
UV是重要程度,相关系数是典型荷载分析的
特征值开根号是相关系数
相关系数
两个变量之间的相关性大小(先做线性检验,然后做正太分布说明可不可以做假设检验)
主成分分析与因子分析
两者区别
主成分分析是一种降维算法,它能将多个指标转换为少数几个主成分,这些主成分是原始变量的线性组合,且彼此之间互不相关,其能反映出原始数据的大部分信息。一般来说,当研究的问题涉及到多变量且变量之间存在很强的相关性时,我们可考虑使用主成分分析的方法来对数据进行简化。
主成分分析是把原来多个变量划为少数几个综合指标的一种统计分析方法。