国赛数模C题模型(三)

奇异值分解(SVD)

知识点学习

①数据线性变换
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

论文书写

在这里插入图片描述

主成分分析

知识点学习

①概念:主成分分析(PCA)是在损失很少信息的前提下,把多个指标转化为少数几个综合指标进行分析的方法,也称之为降维,转化生成的综合指标称之为主成分
在这里插入图片描述
②基本原理:
在这里插入图片描述
③基本计算步骤:
(1)对原始数据进行标准化处理,消除量纲的影响。
在这里插入图片描述
(2)计算变量之间的相关系数矩阵,记为R
在这里插入图片描述
(3)计算相关系数矩阵R的特征值和特征向量
在这里插入图片描述
(4)写出主成分的个数
在这里插入图片描述
(5)计算出主成分及综合得分
在这里插入图片描述
④步骤总结
在这里插入图片描述
⑤分析结果

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
⑥小结
在这里插入图片描述

显著性检验

显著性检验

  • 4
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
2023国赛数模C是关于蔬菜类商品的自动定价与补货决策的问。该目需要建立补货决策模型和定价决策模型,考虑过去的历史数据以及动态变化的数据,比如预测未来的销量和品相对补货情况的影响等等。 具体而言,问2要求分析各蔬菜品类的销售总量与成本加成定价的关系,并给出未来一周(2023年7月1-7日)的日补货总量和定价策略,以使商超收益最大化。 为了解决这个问,需要建立一个综合考虑销售总量、成本加成和定价之间关系的优化模型。该模型可以通过对历史数据进行分析、预测未来销量和利用数学建模方法来求解。 一种可能的解决方法是利用线性规划模型。通过设定决策变量、约束条件和目标函数,可以最大化商超收益。决策变量可以是每个蔬菜品类的日补货总量和定价,约束条件可以包括销售总量、成本加成和其他限制条件,目标函数可以是商超收益。 另一种可能的解决方法是利用机器学习算法,如回归模型或神经网络模型,通过训练模型来预测未来销量,并根据预测结果进行补货和定价决策。这种方法可以利用历史数据和动态变化的数据来构建模型,并根据模型的预测结果来优化决策。 总之,针对2023国赛数模C,需要建立一个综合考虑销售总量、成本加成和定价的优化模型,可以使用线性规划或机器学习算法来求解最优的补货和定价策略。具体的模型算法选择可以根据具体的数据和问要求来确定。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值