Joy T的博客

这篇文章总结了Matlab基础操作的要点，主要包括基本运算、变量与向量、矩阵操作、元胞数组、结构体、流程控制以及基本绘图功能。作者详细介绍了Matlab中各种数据类型的使用方法，包括矩阵的创建、运算和下标操作，元胞数组和结构体的定义与访问方式，以及分支和循环结构的语法。此外，文章还演示了二维和三维图形的绘制方法，如波形函数、双峰函数和散点图等可视化技巧。这些内容为Matlab初学者提供了实用的参考指南，涵盖了数学建模中常见的数据处理和图形展示需求。

判断缺失值和异常值并修复，顺便光滑噪音，渡边笔记clc,clear;close all;% 模拟缺失值% 模拟异常值%subplot在一个图窗中创建多个子图，然后使用plot函数将原始数据可视化title('原始数据');%% 判断数据中是否存在缺失值，并使用最省力法则% 假设testdata是一个n行m列的矩阵，每一列代表一个特征% 设置阈值，80%的总样本量% 遍历每一个特征% 计算每一列（特征）中非缺失值的数量% 如果非缺失值的数量少于阈值，则删除该列（特征）

本文介绍了回归模型性能检验和相关性分析的常用方法。在回归模型评估部分，详细讲解了MAPE、RMSE、SSE、MSE、MAE和R²六个关键指标的计算方法和适用场景。在相关性分析部分，重点比较了Pearson、Kendall和Spearman三种相关系数的使用条件、特点和应用领域，并提供了MATLAB代码实现。文章强调应根据数据类型（连续/序列）、分布特性（正态/非正态）以及关系类型（线性/非线性）来选择合适的分析指标，同时给出了可视化相关系数的自定义热力图绘制方法。这些工具为数据建模和分析提供了全面的性能评估

摘要：本文介绍了层次分析法（AHP）和熵权法两种决策分析方法。层次分析法通过构建层次结构模型、判断矩阵和一致性检验来确定权重；熵权法则基于信息熵计算指标权重，通过数据归一化、概率计算和差异系数分析确定权重。两种方法均提供了MATLAB代码实现，包括权重计算和综合评分功能。层次分析法强调一致性检验，而熵权法侧重指标离散程度分析。这些方法适用于复杂决策问题的定量分析。

本文介绍了两种常用的优化算法及其在TSP问题中的应用。首先详细讲解了模拟退火算法的原理和MATLAB实现，包括温度控制、Metropolis准则等核心机制。然后介绍了蚁群算法，分析了其与模拟退火的区别，并提供了完整的MATLAB实现代码。最后探讨了两种算法的联合使用方法：先用蚁群算法获得初始解，再通过模拟退火进行优化，并讨论了参数调整策略。文章通过实际案例展示了算法效果，指出优化类问题通常只需获得合理范围内的近似解即可。作者还建议可以尝试用模拟退火优化蚁群算法参数等方法进一步提升效果。

摘要：十折和五折交叉验证是机器学习中评估模型泛化能力的常用方法。十折将数据分为10份进行10次训练验证，五折则分为5份进行5次迭代。两种方法都能充分利用有限数据，提供更准确的性能评估。十折适用于小数据集但计算成本较高，五折则更节省资源但可能偏差稍大。选择取决于数据规模、计算资源及对偏差方差的权衡需求。交叉验证能全面反映模型在不同数据子集上的表现，是重要的模型评估手段。

本文介绍了分类模型性能评估的核心指标。首先解析了混淆矩阵中的四个基本元素(TP/TN/FP/FN)，重点说明了ROC曲线和AUC值的含义及应用场景。其次通过猫狗分类实例，详细阐述了准确率(Accuracy)、精确率(Precision)和召回率(Recall)的计算方法及记忆技巧：准确率关注整体正确率，精确率衡量预测正类的准确性，召回率反映真实正类的识别覆盖率。文章强调不同评估指标适用于不同应用场景，如医学检测更关注召回率以避免漏诊。

本文系统介绍了逆矩阵的相关概念，重点阐述了奇异矩阵与非奇异矩阵的区别、矩阵秩的定义以及方阵的性质。详细讲解了逆矩阵的计算方法，并指出只有方阵才可能具有逆矩阵。此外，文章还简要提及特征值和特征向量的重要性，说明其在物理学、图像处理和算法优化等领域的广泛应用。这些线性代数基础知识为理解矩阵运算及其实际应用提供了重要理论基础。

本文系统总结了数学建模竞赛论文的撰写规范与技巧。在评阅标准方面，强调假设合理性、模型简化与创新性思考的重要性。论文结构部分详细说明了标题、摘要、主体等各部分的写作要点，特别指出摘要需体现"虎头猪肚凤尾"的特点，主体部分需包含误差分析和算法说明。同时提醒注意团队协作、图表使用规范、英文表达准确性等细节问题。最后特别警示ChatGPT等工具的使用风险，建议主要用于语言润色而非创新建模。全文为数学建模竞赛论文写作提供了全面指导。