用微信扫码二维码

分享至好友和朋友圈

数学建模国赛C题几乎都是关于数据，关于统计，但不一定都称得上大数据。当然解题方法不一定全都是纯统计的方法，但是统计方法肯定是重头戏。因此，最好是有统计学、数理金融、量化分析相关背景的知识。且C题的求解工具也更加丰富，除了matlab、python还可以是用无需编程的SPSS；R、stats、SAS等传统统计软件也都可能会用到。这类问题相比与其他几个问题难度更低，更方便入门，同时也更有套路可寻，下面是常用的流程与模型。

流程与模型

一.流程：

1.数据预处理

这一步是针对数据中的异常值和缺失值做出清洗和补充，常见的缺失值填充方法有：剔除法、均值法、最小邻居法等等，异常值通常是直接剔除。但是一般大赛提供的数据都是比较正规和完善的不会存在缺失值和异常值，所以这一步基本可以省略。

2020年国赛C题数据，不存在缺失值和异常值

2.数据分析

在我们建模之前一定要对数据进行数据分析，依照数据分析的结果来建模，这样才能保证我们模型最终的结果是合理的、完善的；其次一篇正规的建模论文绝对不是上来就讲解模型，而是先要分析数据，从分析中引出我们的模型这样才显得有理有据；最后数据分析这一部分能可视化数据，在论文中放上几张我们可视化的图片能使我们的文章更加美观更加有说服力。

那么常见的数据分析有以下几种：

2.1.统计性描述

统计性描述就是用一些表格和常见的图形（如折线、柱状、饼图）来描绘这批数据的均值、中位数、方差、偏度、峰度以及集中趋势和离散趋势。

2.2.正态检验

假设检验中用的比较多的是正态检验，很多模型在使用时都要求数值服从或近似服从正态分布，所以在建模前需要进行正态性检验。一般地，进行正态检验都是使用spss做P-P图、Q-Q图。spss如何做P-P图、Q-Q图的方法如下，这里就不展开细讲了。

2.3.回归分析

2.3.1一元线性回归分析

分析一个自变量X与因变量Y有关，X与Y都必须是连续型变量，因变量Y或其残差必须服从正态分布。

2.3.2多元线性回归分析

分析多个自变量X与因变量Y的关系，X与Y都必须是连续型变量，因变量Y或其残差必须服从正态分布。

二.常用模型：

1.常用易懂的机器学习方向模型：

分类模型：决策树，朴素贝叶斯分类，支持向量机（SVM），最近领分类（KNN）

聚类模型：K-Means关联分析：Apriori连接模型：PageRank

2.评价类常用模型

层次分析法、灰色关联度分析、神经网络综合评价法

3.预测类常用模型

1.朴素估计

2.简单平均

3.滑动平均

4.简单指数平滑

国赛备战时间紧迫，剩下的时间我们该做些什么？竞赛题目有哪些选择技巧？需要掌握的基本知识有哪些？如何读题解题？出题人思路该如何揣摩？点击下方小程序，你想知道的都在这里：

特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。

Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.