主题
模型与方法选择
先确认要交付的是预测、分组、排序、执行方案,还是随时间变化的状态。若题目需要多个输出,可以先读数学建模常见方法总览与选择思路,再查各类方法的输入条件和验证方式。
方法速查
| 任务 | 建议先核对 | 查看方法 |
|---|---|---|
| 预测数值或已知类别 | 历史样本是否有目标值或标签 | 回归与分类 |
| 找分组或压缩特征 | 距离或方差是否受特征尺度支配 | 聚类与降维 |
| 预测未来几个时段 | 观测频率、历史长度和季节规律 | 时间序列预测 |
| 按多项指标排序 | 指标方向和权重是否有依据 | 综合评价 |
| 在限制条件下制定方案 | 决策变量、约束及目标是否明确 | 优化决策 |
| 描述系统状态如何变化 | 变化规律、初值和参数是否可说明 | 机理与动力学 |
文章列表
回归与分类
- 线性回归、多项式回归与岭回归
从最小二乘推导到梯度下降动画,附可运行 Python 算例与常见误区。
- 逻辑回归与分类建模
理解二分类概率、阈值和对数损失,避免用准确率掩盖分类代价。
- 决策树与随机森林
通过一次树分裂理解不纯度,再比较单树解释性与随机森林的集成效果。
- 支持向量机(SVM)
理解最大间隔、软间隔和核函数,并用同一数据划分对比线性分类器。
- K 最近邻分类(KNN)
从距离和投票理解 KNN,用同一留出集比较邻居数和特征尺度。
- 高斯朴素贝叶斯分类
从先验、类条件似然与后验出发,看先验变化怎样移动分类边界。
聚类与降维
- K-means 聚类
用一轮手算理解最近中心分配,选择群数并检查群组能否稳定复现。
- 主成分分析(PCA)
用协方差和投影理解主成分,核对解释方差与下游任务的表现。
时间序列预测
- ARIMA 时间序列预测
理解差分、滞后项和预测还原,通过时间回测和残差检查判断是否值得使用。
- 指数平滑预测
从逐期更新的水平值出发,选择处理趋势或季节变化的合适变体。
- 灰色预测 GM(1,1)
通过累加、拟合和还原理解经典灰色预测,并与短序列基线做同窗回测。
综合评价
- TOPSIS 综合评价法
将候选方案映射到指标空间,比较与正负理想点的距离并验证排序稳定性。
- 层次分析法(AHP)
把多指标偏好写成两两判断,求权重并检查判断是否相互一致。
- 熵权法
用各指标在当前方案中的分布计算差异权重,并检查常量列、极端值与权重含义。
优化决策
- 线性规划
把连续资源分配写成线性目标和约束,用顶点与上界复核最优结果。
- 整数线性规划
用二进制或整数变量描述离散选择,理解松弛界和求解状态并查验可执行性。
- 非线性规划
识别连续优化中的非线性和凸性,用初值、约束残差与可解析的小例核对求解。
- 多目标优化
用帕累托支配筛出目标之间的有效取舍,比较加权求和和约束法。
机理与动力学
- 微分方程与动力学建模
用状态、变化率、初值与外部输入描述过程,再区分模型误差和数值误差。