master_hunter的博客

通过以上的数据加载、清洗与分析，我们已经对奥运奖牌数据有了基本的了解。奖牌分布不均：一些大国（如美国、中国）在奥运会中通常获得更多奖牌，而一些小国则往往获得较少的奖牌。年份之间的差异：奥运会的奖牌数量在不同年份有所波动，可能受到赛事项目、参与国家数量等因素的影响。主办国效应：主办国往往会在主办届奥运会上表现突出，金牌数和总奖牌数都有显著提高。接下来的任务是根据这些数据和发现，开始进行奖牌数预测的建模工作。

美国阿拉斯加的朱诺市（Juneau）常住人口约3万，却在最繁忙的旅游季接待多达160万邮轮乘客，总计年接待量甚至超过百万规模。短期内大量游客的到访虽然带来了可观的经济收入（如3.75亿美元以上的旅游相关收益），却也带来了拥堵、环境压力、基础设施超负荷、本地居民生活质量下降等问题。可持续旅游管理的核心在于：在保证当地经济收益的同时，维持生态环境、基础设施和社区生活的可承受度，并尽量实现长远、稳健的发展。为此，我们想构建一个可持续旅游规划的数学模型度量游客数量、旅游收益、基础设施负荷、环境影响等多方面因素；

要进行定量分析，需要对楼梯磨损状况进行非破坏性低成本小团队可执行的测量。以下列举可能的测量项目与定义的变量。：第 kkk 级台阶在踏步宽度方向 xxx 处的当前高度（相对于某基准）。：第 kkk 级台阶原始或假设初始状态下的高度曲线。若无法获得真实初始值，可用“尚未磨损区域”作为参考近似。：第 kkk 级在位置 xxx 上的磨损深度。：楼梯使用的总年份（若已知部分翻修历史，可分段使用 Δti\Delta t_iΔti）。：材料密度或相对磨损系数，影响磨损速率。

为了让评审理解所使用模型的背景和依据，写作手需要在报告中进行必要的文献综述，说明模型的来源与应用，增加报告的学术性。

（参考问题 1），但要在情景 ω下分别定义U_{j,s,t}^{ω},W_{j,s,t}^{ω}

工欲善其事必先利其器，在数学建模竞赛和研究中,选择合适的软件工具对提高建模效率和结果呈现质量至关重要。本文将系统地介绍数学建模中常用的核心软件工具,帮助建模爱好者和参赛者构建一个完整的软件工具链。简单介绍一下我自己：博主专注建模五年，参与过大大小小数十来次数学建模，理解各类模型原理以及每种模型的建模流程和各类题目分析方法。作为建模工作的基础支撑,合适的软件不仅能够帮助我们更高效地处理数据、构建模型、验证结果,还能让整个建模过程更加规范化和科学化。

本问题针对华北山区低温环境下的农作物种植规划与布局。在该地区，常规露天耕地每年只能种一季粮食类作物，而水浇地可以种水稻或两季蔬菜；大棚（普通与智慧大棚）则可多季种植特定作物。如何在有限的耕地和设施条件下，合理安排不同作物的轮作、搭配以及分布，从而达到最大化经济收益、满足作物轮作要求、保证土壤肥力与可持续发展成为一个重要的问题。

那么我们废话不多说将剩下的问题全部补完，我们先来总结前两问我们做了什么事，首先第一问我们根据算法挑选了六种权重最高的物料，第二问根据动态规划预测出后面十周我们物料生产计划的安排。那么第一问的物料是固定的无需调整，第二问我们拿到了一个可以规划和预测的模型。

简单介绍一下我自己：博主专注建模四年，参与过大大小小数十来次数学建模，理解各类模型原理以及每种模型的建模流程和各类题目分析方法。参与过十余次数学建模大赛，三次美赛获得过二次M奖一次H奖，国赛二等奖。**提供免费的思路和部分源码，以后的数模比赛只要我还有时间肯定会第一时间写出免费开源思路。**博主紧跟各类数模比赛，每场数模竞赛博主都会将最新的思路和代码写进此专栏以及详细思路和完全代码且完全免费。希望有需求的小伙伴不要错过笔者精心打造的文章。

如果按照物料需求量的预测值来安排生产，可能会产生较大的库存，或者出现较多的缺货，给企业带来经济和信誉方面的损失。企业希望从需求量的预测值、需求特征、库存量和缺货量等方面综合考虑，以便更合理地安排生产。请提供一种制定生产计划的方法，从第 101 周（将附件数据第 1 次出现的时间（2019 年 1 月 2 日）所在的周设定为第 1 周，以后的每周从周一开始至周日结束，例如，2019 年 1 月 7 日至 13 日为第 2 周，以此类推。

E题补完计划开始，接着之前专栏里面的E题内容写完接下来的所有问题。经过第一问得到了最佳物料编码的前六位排名：是通过聚合指标和熵权法计算得到的，现在我们需要完成第一问的接下来两个目标，分别是建立物料需求的周预测模型和利用历史数据对预测模型进行评价。按周聚合数据之后，可以拿一个6004010250来看：现在我们可以进行平稳性检验来判断我们该用什么模型，所谓平稳性，其基本思想是：决定过程特性的统计规律不随着时间的变化而变化。关于严宽平稳我之前写自回归模型(AR)已经写的很清楚了。

下面我会概述这个过程的每个步骤，并提供相应的示例代码。我们将会从数据获取–数据处理–LSTM建模–预测检测这四个流程依次进行最终得到一个较为合理准确的数据，当然该预测率的准确度是依赖获取到的官方数据的，至于数据真实性这个不作过多解释~大家只要了解建模过程如何和LSTM模型如何使用就好。且每篇文章我都会尽可能将简化涉及到垂直领域的专业知识，转化为大众小白可以读懂易于理解的知识，将繁杂的程序创建步骤逐个拆解，以逐步递进的方式由难转易逐渐掌握并实践，欢迎各位学习者关注博主，博主将不断创作技术实用前沿文章。

简单介绍一下我自己：博主专注建模四年，参与过大大小小数十来次数学建模，理解各类模型原理以及每种模型的建模流程和各类题目分析方法。参与过十余次数学建模大赛，三次美赛获得过二次M奖一次H奖，国赛二等奖。**提供免费的思路和部分源码，以后的数模比赛只要我还有时间肯定会第一时间写出免费开源思路。**博主紧跟各类数模比赛，每场数模竞赛博主都会将最新的思路和代码写进此专栏以及详细思路和完全代码且完全免费。希望有需求的小伙伴不要错过笔者精心打造的文章。

简单介绍一下我自己：博主专注建模四年，参与过大大小小数十来次数学建模，理解各类模型原理以及每种模型的建模流程和各类题目分析方法。参与过十余次数学建模大赛，三次美赛获得过二次M奖一次H奖，国赛二等奖。**提供免费的思路和部分源码，以后的数模比赛只要我还有时间肯定会第一时间写出免费开源思路。**博主紧跟各类数模比赛，每场数模竞赛博主都会将最新的思路和代码写进此专栏以及详细思路和完全代码且完全免费。希望有需求的小伙伴不要错过笔者精心打造的文章。

上一篇已经对赛题进行详细分析了，而且大方向和基本的模型已经确定完毕，数据集都已经找到了，现在最重要的就是要分析风暴数据集以及建立时序预测模型，使用气候模型预测的数据，评估气候变化对未来极端天气事件频率和强度的影响。来看极端天气频率是否会上升，以及如何利用历史气象数据来支撑我们的模型效果。对于每个时序预测模型都有各自特点最优的使用场景，但是一般来说大部分时间序列数据都呈现出季节变化(Season)和循环波动(Cyclic)。对于在这些数据基础之上进行的建模一般最优是采用季节性时序预测SARIMA模型。

E题数据已更新，做E题的小伙伴推荐看看博主的E题解析文章。那么废话不多说我们继续来做C题。

很快啊！啪的一下拿到题目就开始做题！简单介绍一下我自己：博主专注建模五年，参与过大大小小数十来次数学建模，理解各类模型原理以及每种模型的建模流程和各类题目分析方法。参与过十余次数学建模大赛，三次美赛获得过二次M奖一次H奖，国赛二等奖。希望各位以后遇到建模比赛可以艾特一下我，我会提供免费的思路和源码，以后的数模比赛只要我还有时间肯定会第一时间写出免费开源思路。

源码版本，包含具体建模代码到生成模型步骤。

此篇文章为整个Boost(提升方法)集成算法模型的终章，前几篇文章依次结合详细项目案例讲解了共四个常用的集成算法模型，每一篇文章都包含实战项目以及可运行代码。仅通过看一遍文章不去实践是很难掌握集成算法模型的，其中很多思想和优化参数的方法需要长期使用才能掌握，集成学习的方法在全球各大机器学习、数据挖掘竞赛中使用的非常广泛，其概念和思想也是风靡学术界和工业界，所以有此需求的朋友推荐细读实践。之前我们已经详细描述了AdaBoost算法模型和GBDT原理以及实践。

比赛结束了不知道大家情况如何，就我个人而言的话，由于工作任务比较繁重仅完成了对D题和E题的思路解答和建模，还是比较遗憾的。一个人要完成多题的建模和分析确实不是一件容易的事情，当然我向大家做出承诺历年的建模比赛我都会写出详解和建模过程，只要大家需要我的帮助，我会尽我最大的能力完成。本次大赛中个人认为E题是一道比较好上手的题目，题意简洁，建模思路清晰明了。但是由于是时间序列数据，数据处理方面可能会比较麻烦，虽然建模思路比较清晰，但是时序预测分析算法还是有一定难度的，细节很多。

SARIMA（Seasonal Autoregressive Integrated Moving Average）是一种基于 ARIMA 模型的季节时间序列预测模型。ARIMA 模型是一种广泛应用于时间序列预测的经典模型，它考虑了时间序列的趋势性和周期性。SARIMA 模型在 ARIMA 模型的基础上增加了季节性，因此可以更好地应对具有季节性变化的时间序列数据。

昨天已经将E题第一二问的详解和思路源码都写了出来，大家如果想从E题下手的话推荐参考本人文章，个人认为E题在建模上是优于D题的，毕竟有给出数据而且有明确的建模思路，E题我直接提供了Python源码直接可以运行即可：2023全国大学生数学建模竞赛-E 题思路详解+Python代码源码解析2023全国大学生数学建模竞赛E题详解+Python代码源码(二)有需要的抓紧时间细读。简单介绍一下我自己：博主专注建模四年，参与过大大小小数十来次数学建模，理解各类模型原理以及每种模型的建模流程和各类题目分析方法。

十分激动啊啊啊题目终于出来了！！官网6点就进去了结果直接卡死现在才拿到题目，我是打算A-E题全部做一遍。简单介绍一下我自己：博主专注建模四年，参与过大大小小数十来次数学建模，理解各类模型原理以及每种模型的建模流程和各类题目分析方法。参与过十余次数学建模大赛，三次美赛获得过二次M奖一次H奖，国赛二等奖。**希望各位以后遇到建模比赛可以艾特一下我，我可以提供免费的思路和部分源码，以后的数模比赛只要我还有时间肯定会第一时间写出免费开源思路。

D题明显是运筹规划类题目，此类题目回答多样竞争还是比较大的，E题更好完善建模和问题细节处理方面。简单介绍一下我自己：博主专注建模四年，参与过大大小小数十来次数学建模，理解各类模型原理以及每种模型的建模流程和各类题目分析方法。参与过十余次数学建模大赛，三次美赛获得过二次M奖一次H奖，国赛二等奖。希望各位以后遇到建模比赛可以艾特一下我，我可以提供免费的思路和部分源码，以后的数模比赛只要我还有时间肯定会第一时间写出免费开源思路。

十分激动啊啊啊题目终于出来了！！官网6点就进去了结果直接卡死现在才拿到题目，我是打算A-E题全部做一遍。简单介绍一下我自己：博主专注建模四年，参与过大大小小数十来次数学建模，理解各类模型原理以及每种模型的建模流程和各类题目分析方法。参与过十余次数学建模大赛，三次美赛获得过二次M奖一次H奖，国赛二等奖。博主紧跟各类数模比赛，每场数模竞赛博主都会将最新的思路和代码写进此专栏以及详细思路和完全代码且完全免费。希望有需求的小伙伴不要错过笔者精心打造的文章。

我们举一个通俗的例子：”假如你玩一个抽卡游戏，这段时间新活动刚好出了一个新的角色你想要抽到她，一般来说抽到这个角色基本都要保底，大部分人都需要一个648才能抽到，但是你的手气实在太非了，氪了两个648才抽到了，那么这和你预估的结果少了一个648的钱，也就是你大抵损失的金额。“通过上面这个例子我们再将大部分人预估抽到的金额设定为Y，而且实际用到的抽奖金额为Y'，那么两者的差距|Y-Y'|就是损失函数了。

第三次继续写数模文章和思路代码了，不知道上次美赛和国赛大家有没有认识我，没关系今年只要有数模比赛艾特我私信我，要是我有时间我一定免费出文章代码好吧！博主参与过十余次数学建模大赛，三次美赛获得过二次M奖一次H奖，国赛二等奖。！！**大家可以参考。

最近会不断更新深度学习系列文章(全实战性+可运行代码)加入到我的一文速学-数学建模常用模型中，现在建模比赛不用深度学习的知识和技能竞争力就比较落后了，况且我也任职人工智能开发工程师，对这一块的理论和实战都比较多。而且对于学习深度学习方面知识我也比较熟悉疑难点和重要知识点，故开此系列大家可以放心订阅，质量绝对有保证且内容易学易懂实践轻松，每个知识点都接有小段代码可供验证。博主专注建模四年，参与过大大小小数十来次数学建模，理解各类模型原理以及每种模型的建模流程和各类题目分析方法。

该项目算是非常经典的金融业务用户画像的基础分析了，主要根据用户信用卡使用行为数据进行分析，根据收集到的不同字段信息，对每个用户划分类别。这里需要说明一下的是，聚类模型只是将具有相似行为的大部分用户聚集到一个类别里面，这点并不会考虑到每个字段的含义，也就是分成的类别并不是用户价值等级，此类别仅仅是这个类别大体相同的信用卡用户行为对象，并不能给每个用户价值打上标签，那是评价模型做的事，这里要注意不要搞混淆了，用户价值评价是评价模型决定的，而画像是聚类模型分析的。

LightGBM（Light Gradient Boosting Machine）是一种基于梯度提升决策树（Gradient Boosting Decision Tree，简称GBDT）算法的机器学习框架。GBDT是一种集成学习方法，它通过逐步训练一系列决策树来提升模型性能。每个新的决策树会尝试纠正前面树的预测误差。LightGBM是一种基于GBDT的算法，但它在构建决策树和训练过程中采用了一些优化策略，以提高效率和性能。算法差异点GBDTXGBoostLightGBMCatBoost弱学习器。

集成模型Boosting补完计划第三期了，之前我们已经详细描述了AdaBoost算法模型和GBDT原理以及实践。通过这两类算法就可以明白Boosting算法的核心思想以及基本的运行计算框架，余下几种Boosting算法都是在前者的算法之上改良得到，尤其是以GBDT算法为基础改进衍生出的三种Boosting算法：XGBoost、LightGBM、CatBoost。大家应该都对XGBoost算法模型熟悉但是对GBDT模型一无所知，看过之前GBDT的读者应该对GBDT模型有了一个很清楚的认知，对于理解XGBoos

上篇文章内容已经将Adaboost模型算法原理以及实现详细讲述实践了一遍，但是只是将了Adaboost模型分类功能，还有回归模型没有展示，下一篇我将展示如何使用Adaboost模型进行回归算法训练。首先还是先回到梯度提升决策树GBDT算法模型上面来，GBDT模型衍生的模型在其他论文研究以及数学建模比赛中十分常见，例如XGBoost，LighGBM，catboost。算法差异点GBDTXGBoostLightGBMCatBoost弱学习器CART回归树1.CART回归树2.线性学习器。

集成学习的方法在全球各大机器学习、数据挖掘竞赛中使用的非常广泛，其概念和思想也是风靡学术界和工业界，我的期刊论文以及毕业百优论文也是用到了集成学习算法。而Adaboost作为最早开始流行的集成算法，必然包含boosting最核心的思想。作为一种元算法框架，Boosting几乎可以应用于所有目前流行的机器学习算法以进一步加强原算法的预测精度，应用十分广泛，产生了极大的影响。而AdaBoost正是其中最成功的代表，被评为数据挖掘十大算法之一。

博主参与过大大小小数十来次数学建模，且也是从事数据分析师这一职业，理解各类模型原理以及每种模型的建模流程和各类题目分析方法。此专栏的目的就是为了让零基础快速使用各类数学模型以及代码，每一篇文章都包含实战项目以及可运行代码，博主紧跟各类数模比赛，每场数模竞赛博主都会将最新的思路和代码写进此专栏以及详细思路和完全代码，打造最实用优质数学建模专栏。专栏模型基本包含所有的预测、分类、聚类、评价、动态规划以及图论算法模型，希望有学习需求的小伙伴不要错过。

一文速览-数据分析基础以及常规流程

前言数据分析个人认为可以算是逻辑思维的分流强化型应用，了解了逻辑和基本思维方法其他方法基本大同小异，有些许其区别。个人最近有些空闲时光正好抓紧学习一波数据分析基本思维做建模的时候好思维逻辑清晰。本文仅供参考。提示：以下是本篇文章正文内容，下面案例可供参考一、数据分析的基本概念数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，将它们加以汇总和理解并消化，以求最大化地开发数据的功能，发挥数据的作用。1.数据分析主要包括：描述性统计分析 频数分析 相关性分析 （偏）..

当我们开始准备数据建模、构建机器学习模型的时候，第一时间考虑的不应该是就考虑到选择模型的种类和方法。而是首先拿到特征数据和标签数据进行研究，挖掘特征数据包含的信息以及思考如何更好的处理这些特征数据。那么数据类型本身代表的含义就需要我们进行思考，究竟是定量计算还是进行定类分析更好呢？这就是这篇文章将要详解的一个问题。...

前言这是自学习机器学习以来第一次接触到最优化算法，首先必须要有一定的概率论理论基础才更好的理解该回归的原理以及意义。本篇将详细说明该模型的原理以及用途，结合例子更好理解Logistic回归。提示：以下是本篇文章正文内容，下面案例可供参考一、Logistic回归模型logistic回归（Logistic Regression)是一种广义线性回归（Generalized Linear Model）,在机器学习中是最常见的一种用于二分类的算法模型，由于数学原理简单，方便理解，作用高效，其实际...

博主参与过大大小小十次数学建模比赛，也获得了不少建模奖项。对于一些小批量样本数据去做预测或者是评估其规律性的话，比较适合的模型一般都是选择灰色预测模型。该模型解释性强而且易于理解，建模手段也比较简单。在一些不确定是否存在相关标量或者是存在位置特征的时候，用灰色预测模型尤为明显，牵扯太多变量时候可以以量曾量减的方式显现其变化规律，是建模比较好用的算法和思路。但是首先我们要明白该模型的使用场景以及优缺点才能更好的解释建模的效果。故为接下来的美赛，我将把一些常用建模的模型和代码补上。

平滑法花费了将近一个月的时间去讲解和模拟算法，讲解的非常详细了我个人认为，而且代码和原理理解起来也相对简单，代码实现起来也几乎没有什么难度。一文速学-数学建模常用模型。里面涉及到各个场景的分析和预测模型基本都具备了，其中平滑法的所有方法：都包含其中。接下来我们要对平稳时间序列预测算法进行研究和推导。但是平稳时间序列预测算法的基础理论还是蛮多蛮复杂的，需要我们对基础理论有了一定认知才能更轻松的掌握该算法。故我们的开篇第一章先将理论知识全部了解一遍。......