- 博客(4)
- 资源 (3)
- 收藏
- 关注
RSS订阅原创 分类与评估模型（二）
TOPSIS模型TOPSIS为优劣解距离法，从代数及公式来说就是将 元素与所在列最小值的距离 / （元素与列最大值距离+元素与列最小值距离）第一步：将数据矩阵正向化比如评价某类企业的状况，可以从现金流、成本、最佳规模、上市时间等来评价，这几种指标中又极大型、极小型、最佳值型以及区间型，为了方便和正确地评分，我们先要将不同类型的指标进行正向化，都转化成极大型的数据，即数据越大评分越高。这里涉及到将后3种指标转化成极大型。第二步：矩阵标准化为消除不同量纲之间的差异，标准化这步必不可少，将元素
2021-02-05 23:42:46
209
1
原创 分类与评估模型(一)
层次分析法原理面对评价类问题，需要解决的无外乎是目标、方案、合适的指标三个问题。首先列出如下表格，我们主要做的工作即是合理地填写表格，给出评估分数。/指标权重方案一方案二方案三指标一/指标二/指标三/指标四/指标五/那么如何确定权重比呢？这里使用两两比较的方法，填写以下表格得到判断矩阵/指标一指标二指标三指标四指标五指标一11/2433指标二2175
2021-02-04 22:12:25
6311
原创 数学建模学习笔记
数据处理（一）Lagrange多项式插值原理插值是离散函数逼近的重要方法，当需要通过函数有限个点去估算函数再其他点的近似值时，可根据已知样本创造一个函数，使得函数在已知点的值与样本相同，即可得到其他点的近似值。在拉格朗日多项式中，我们已知N个点的坐标，构造函数，形如y1*(x-x2)(x-x3)(x-x4)…(x-xn)/[(x1-x2)(x1-x3)(x1-x4)…(x1-xn)]+y2*(x-x1)(x-x3)(x-x4)…(x-xn)/[(x2-x1)(x2-x3)(x2-x4)…(x2-xn
2021-02-04 18:39:47
497
原创 机器学习笔记（一）
本文为博主学习机器学习时所做的笔记以及实验的代码，学习内容来自heimachengxuyuan.如有错误请多指教。基础内容概念机器学习是通过一系列的变量来获取预测下一时间的值，输入称作feature（特征值），结果为label（结果标签），其中映射关系或者函数叫做算法，我们的主要问题就是通过编程来实现这个算法。影响预测的因素1、预测模型的参数不够好（调参）2、影响因子不够多（增加数据维度）3、样本数据量不够多（增加样本量）4、预测模型选的不够好（更换模型）基本算法Knn模型基础理解使用
2020-06-06 15:30:05
181
波形+数码管.rar
2020-12-08
LCD频率计.rar
2020-12-08
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人