开心建模（一）——建模过程

1. 识别问题

a.从题目中搜索描述出要研究的问题
b.口头陈述翻译成为数学符

2. 模型假设

通过减少所考虑的因素将模型进行简化。于是，必须确定余下变量之间的关系，然后通过假设相对简单的关系，降低模型的复杂性。做出假设的两个方面：

a. 变量分类（变量本身假设）
什么事情影响了1步骤中的识别问题，把变量全部列出来，把他们根据因变量和自变量或者两者都不是。
某些自变量影响小，甚至几乎可以忽略。
b.确定研究变量之间的关系（变量之间关系的假设）
在假设变量之间的相互关系之前，一般要做进一步的简化。
可能自变量很多，模型复杂，无法看出变量之间的关系，这时候由简单到复杂，先从几个自变量入手，建立子模型，最后再把各个子模型合在一起，做出变量之间的假设关系。

3.模型建立

识别是哪一类的问题，找文献，查资料
链接：[https://zhuanlan.zhihu.com/p/147853046]
评价模型： 层次分析、Topsis(优劣解距离法)、数据包络分析(DEA)、模糊综合评价、秩和比综合评价、主成分分析、灰色关联分析法
预测分析模型： 微分方程模型、差分方程模型、回归分析、时间序列、马尔可夫、神经网络、插值拟合、混沌序列预测、小波分析预测、灰色预测模型
优化模型： 数学规划模型（多目标、单目标、0-1整数规划等）、复杂网络优化、排队论与计算机仿真、图论、博弈论
数理统计模型： 多元分析（主成分分析、聚类分析、因子分析、判别分析、典型相关性分析等）、相关回归分析、假设检验、方差检验、贝叶斯统计
分类与判别算法： 距离聚类(系统聚类)、关联性聚类，层次聚类、贝叶斯分类与判别、SVM支持向量机、决策树、极限学习机
重要的算法： 蒙特卡罗算法、数据处理算法(数据拟合、参数估计、插值等)、规划算法(线性规划、整数规划、多元规划、二次规划等)、图论算法、计算机经典算法(动态规划、回溯搜索、分治算法、分支定界等)、最优化理论的三大非经典算法(模拟退火法、神经网络、遗传算法)、网格算法和穷举法、元胞自动机

4.模型检验

1.是否回答了步骤1中的问题
2.模型在实用意义上有用吗？
即我们确实可以收集到必要的数据，然后通过运行3步骤建立的模型。
3.模型具有普遍意义吗？

5.解释模型

用户友好型，要用决策者和用户能听懂的术语来解释模型是否对他们有用

6.模型的修正

模型是从第一步的识别问题和第二步所做的假设推导出来的，原先的问题会有什么变化吗?或者之前忽略的因素？子模型需要调整吗？