美赛常用算法学习笔记（1）

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了美赛常用算法学习笔记（1），小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含1995字，纯文字阅读大概需要3分钟。

内容图文

美赛常用算法学习笔记（1）

美赛快开始了，抱佛脚
网课https://www.bilibili.com/video/BV13i4y1u7MN的笔记
常用算法汇总
数据处理

插值拟合：主要用于对数据的补全和基本趋势分析
小波分析，聚类分析（高斯混合聚类，K-均值聚类等）：主要用于诊断数据异常值并进行剔除
主成分分析、线性判别分析、局部保留投影等：主要用于多维数据的降维处理，减少数据冗余

关联与因果：

灰色关联分析方法（样本点的个数较少）
Superman或kendall等级相关分析
Person相关（样本点的个数比较多）
Copula相关（金融学、概率密度）
典型相关分析（很多个自变量和因变量，问那一对关联更紧密）

分类与判别：

距离聚类（系统聚类）（坐标）
关联性聚类（不同指标）
密度聚类
其他聚类
贝叶斯判别（统计判别方法）
费舍尔判别（训练的样本比较少）
模糊识别（分好类的数据点比较少）

评价与决策

模糊综合评价：评价一个对象的优、良等层次，不能排序
主成分分析：评价多个对象的水平并排序，指标间有较强的关联性
层次分析法：做决策，通过指标，综合考虑做决定
数据包络(DEA)分析法
秩和比综合评价法
神经网络评价：适用于多指标非线性关系明确的评价
TOPSIS法（优劣解距离法）
投影寻踪综合评价法
方差分析、协方差分析

预测与预报

<小样本：200个以下；大样本：老大一个堆>
小样本内部预测
大样本内部预测
小样本未来预测
大样本的随机因素或中期特征的未来预测
大样本的未来预测

灰色预测模型<点数很少>
数据样本点个数少，6-15个
数据呈现指数或曲线的形式

微分方程预测<点数不是那么少50-100>
无法直接找到原始数据之间的关系，但可以找到原始数据变化速度之间的关系，通过公式推导转化为原始数据之间的关系

回归分析预测
求一个因变量与若干自变量之间的关系，若自变量变化之后，求因变量如何变化
<自变量之间协方差比较小，最好趋于0，自变量间关系小>
<样本点的个数n>3k+1，k为自变量的个数>
<因变量要符合正太分布>

马尔科夫预测
一个序列之间没有信息的传递，前后没有联系，数据与数据之间随机性强，相互不影响，只能得到概率

时间序列预测
与马尔科夫预测互补，至少2个点需要信息的传递，ARMA模型，周期模型，季节模型等

优化与控制

线性规划、整数规划、0-1规划（有约束，确定的目标）
非线性规划与智能优化算法
多目标规划和目标规划（柔性约束，目标含糊，超过）
动态规划
图论、网络优化（多因素交错复杂）
排队论与计算机仿真
模糊规划（范围约束）
灰色规划

内容总结

以上是互联网集市为您收集整理的美赛常用算法学习笔记（1）全部内容，希望文章能够帮你解决美赛常用算法学习笔记（1）所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

---