我是个好人呀，????

这篇文章很适合MATLAB的入门学习，这也是我在入门时学习的笔记。虽然说是”零基础“入门matlab，但是如果有其它编程语言基础的话，学起来自然会更轻松。

常规语法：sol = solve(eqn,var)当公式中的解无法有限列举出来时，需要用参数化表示，就要用下列语法：(通过将 "ReturnConditions选项指定为true, 可以找到同一公式的完整解。

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。从数学角度来看，这是一种降维处理技术。因子分析由斯皮尔曼在1904年首次提出，其在某种程度上可以被看成是主成分分析的推广和扩展。因子分析法通过研究变量间的相关系数矩阵。

数据是以年份度量的非负数据（如果是月份或者季度数据就要用 时间序列模型);数据能经过准指数规律的检验（除了前两期外，后面至少90%的期数的光滑比要低于0.5，规定的 90% 不绝对);数据的期数较短且和其他数据之间的关联性不强（小于等于10，也不能太短了，比如只有 3 期数据），要是数据期数较长，一般用传统的时间序列模型比较合适。在传统的 GM(1,1) 模型的基础上，每预测一次，将预测的数据作为已知数据进行下一次预测，那么这种模型为 新信息 GM(1,1) 模型。

循环变动（Cyclical Variation,C）与季节变动的周期不同，循环变动通常以若干年为周期，在曲线图上表现为波浪式的周期变动。因为时间序列是某个指标数值长期变化的数值表现，所以时间序列数值变化背后必然蕴含着数值变换的规律性，这些规律性就是。，这些因素的作用是不可预知和没有规律性的，可以视为由于众多偶然因素对时间序列造成的影响（在回归中又被称为扰动项）缺失值发生在序列的中间位置，则不能删除（删除后原有的时间序列会错位），可采用替换缺失值的方法。，则反映各种变动之间的关系发生变化，建议使用乘积模型；

K-means 算法对分类问题的处理简单、快速，而且对处理大数据集，该算法是相对高效率的。K-means++算法对K-means算法初始化K个聚类中心这一步进行了优化，但是确定 K 值还需要进一步讨论。实际上对 K 值的选取，应用层次聚类可以解决。只有两个指标，且你做出散点图后发现数据表现得很“DBSCAN”，这时候你再用DBSCAN进行聚类。其他情况下，全部使用系统聚类吧。聚类方法的不同，聚类结果一般也不同（尤其是样品特别多的时候）。最好能通过各种方法找出其中的共性。要注意指标的量纲，

当然这会根据定性变量属性值的数量生成对应的列数，如：本题判断水果是苹果还是橙子，那么设置虚拟变量苹果为 1，橙子为 0，反过来也可以，因此 Spss 会生成两列数据，只需留一列就可以。逻辑回归本质还是回归分析的一种，对于因变量为分类变量的情况，我们可以把y看成事件发生的概率，y ≥ 0.5 表示发生；预测值可能会出现 y i>1 或者 y i

本讲将简要介绍图论中的基本概念，并主要讲解图论中的。根据图的不同，我们将学习两种不同的算法：迪杰斯特拉Dijkstra算法和Bellman‐Ford（贝尔曼‐福特）算法。

因变量受自变量的关联性(非因果性)的影响，并且存在众多随机因素，难以用机理分析方法找出它们之间的关系；需要建立这些变量的数学模型，使得能够根据自变量的数值预测因变量的大小，或者解释因变量的变化。换句话说：回归分析是一种类相关性分析，就是通过分析已知数据和其造成的影响，来预测未知数据造成的影响。

注：如果有的数值相同，则将它们所在的位置取算术平均（（4+5）/2）斯皮尔曼相关系d数被定义成等级变量之间的皮尔逊相关系数。可以用MATLAB中求解皮尔逊相关系数的函数求解斯皮尔曼相关系数。MATLAB中计算斯皮尔曼相关系数%这里的X和Y必须是列向量哦~%这时计算X矩阵各列之间的斯皮尔曼相关系数X = [3 8 4 7 2]' % 一撇表示求转置。

曲线拟合的关键问题:(1）在何种距离准则下讨论函数和已知点的距离?(2）如何选择拟合函数f (x)?(3）如何求解拟合函数?

​​​​​​​插值法

TOPSIS 法别名优劣解距离法，其主要利用数据的信息，精确的反应评价方案之间的优劣差距。TOPSIS 法多用于解决多指标的决策性问题，其实现原理为通过计算各备选方案与正负理想解之间的相对距离来进行排序并做出选择。将原始矩阵正向化。（为了统一指标，方便后面计算，因此将指标统一为极大型指标）将正向化矩阵标准化。（消除量纲的影响）计算得分并归一化。（统计各指标的最大值，与最小值，并计算得分）

分析系统中各因素之间的关系，建立系统的递阶层次结构。对于同一层次的个元素关于上一层次中某一准则的重要性两两比较，构造两两比较矩阵（判断矩阵）。由判断矩阵计算被比较元素对于该准则的相对权重，并进行一致性检验（检验通过权重才能用）。填充权重矩阵，根据矩阵计算得分，得出结果。

时间序列分析是一种数据分析方法，它研究的对象是代表某一现象的一串随时间变化而又相关联的数据系列，从而描述和探索该现象随时间发展变化的规律性。首先画出数据的走势图，这一时间序列是具有明显趋势且不含有周期性变化经济波动序列，即为非平稳的时间序列，对此序列进行建模预测需要用上面介绍的。得到的结果为 h=0说明模型是可用的，未来三年ωt的预测值为15270，25983，24497。观察残差序列的散点图可知，该序列有很大的波动性，可认为是非平稳的，应该经过多次差分使其平稳。的函数，这样的一个函数方程被称为差分方程。

L=limit(fun, x, x0) % //普通极限L=limit(fun, x, x0, 'left') % //左极限L=limit(fun, x, x0, 'right') % //右极限%fun指函数表达式，x是函数自变量，x0是极限范围。

化简符号表达式计算机毕竟还是挺笨的, 经过一系列的符号计算后, 得到的结果可能只有它自己才能看懂， Matlab提供大量函数以用于符号表达式的化简.: 通过计算机自动寻找, 将表达式中多次出现的因式用简短的符号表示, 返回的结果中包含替换之后的表达式, 以及被替换的因式. syms x a;: 威力比较强大, 它会尝试各种办法来化简符号表达式, 其化简的标准是使得符号表达式的长度最短.: 多项式的因式分解. 如果无法在有理数的范围内作分解, 那么返回的结果还是输入值。: 通过数学运算化简符号表达式。