建模笔记
文章平均质量分 81
数学建模笔记
疯狂成瘾者
这个作者很懒,什么都没留下…
展开
-
灰色关联分析讲解(附代码)——清风笔记
a = min(min(absX0_Xi)) % 计算两级最小差ab = max(max(absX0_Xi)) % 计算两级最大差brho = 0.5;% 分辨系数取0.5disp('子序列中各个指标的灰色关联度分别为:')原创 2023-08-20 20:18:35 · 815 阅读 · 1 评论 -
什么时候使用lasso回归?
需要注意的是,LASSO的一个特点是在优化过程中可能将某些系数完全收缩到零,从而实现特征选择,而岭回归则会将系数逐渐收缩但不会完全变为零。在OLS中,通过最小化残差平方和来确定最优的回归系数,从而建立一个最合适的线性模型来描述因变量与自变量之间的关系。当你有很多自变量时,但怀疑其中只有一部分对因变量的预测有实际意义时,LASSO可以帮助你筛选出对目标变量具有重要影响的自变量,从而减少不必要的特征。如果你的问题中存在很多无关的自变量,LASSO倾向于使其中一些系数变为零,从而实现模型的稀疏性。原创 2023-08-20 11:54:47 · 1607 阅读 · 0 评论 -
岭回归原理——清风笔记
多重共线性指的是在回归分析中,自变量之间存在高度相关性,这可能会导致模型的不稳定性和不准确性。如果这两个自变量之间存在强烈的正相关关系,即大房屋往往也有更多的卧室,那么在模型中很难确定每个自变量对于房价的独立影响,因为它们的变化总是一起发生。岭回归的主要优点是可以稳定模型的参数估计,减少参数估计的方差,从而提高模型的泛化性能。多重共线性(Multicollinearity)是统计学和回归分析中的一个概念,指的是在回归模型中,自变量之间存在高度相关性或线性关系,从而导致模型估计的不稳定性和不准确性。原创 2023-08-20 10:14:23 · 2509 阅读 · 0 评论 -
古典回归模型满足四个假定——清风笔记
提取字符串中的信息步骤流程图如下:fill:#333;color:#333;color:#333;fill:none;字符串信息类型判断信息类型确定元字符正则化提取信息字符串信息位置以下为一个例子, 取自国赛2021B表一的部分数据:我们需要从114个字符串的值提取五个指标:(1)Co/SiO2的质量(2)Co负载量,"1wt% O2"意味着钴Co与SiO2的重量之比为1:100(3)HAP的质量(4)乙醇浓度,这里的浓度表述有待商榷,应为乙醇的注入速率。原创 2023-08-19 09:37:38 · 1007 阅读 · 1 评论