喜欢数学建模的大一小白

AdaBoost二分类与多分类（SAMME）代码复现

​ 对于缺失值的处理，比较常见的是数值分析中的插值和拟合这两种方法。插值指的是在离散数据的基础上补插连续函数，使得这条连续曲线通过全部给定的离散数据点；拟合则是找到一条“最优”的曲线，尽可能地贴近平面上一系列的点[1]。​

Python期末复习 | 列表、元组、字典、集合与字符串 | 代码演示

贝叶斯决策论、生成模型与判别模型、朴素贝叶斯、Python复现、半朴素贝叶斯

基于关联规则的分类算法（CBA） | 项集、频繁项集、关联规则 | arulesCBA库

近端梯度下降算法 | LASSO回归 | Lipschitz条件 | Descent Lemma

单层Stacking结构，基学习器为：朴素贝叶斯、随即下降、随机森林、决策树、AdaBoost、GBDT、XGBoost，7个任选3个作为基学习器组合，Meta函数固定为MLP。

最短路径： [0, 5, 4, 3, 12, 11, 29, 22, 21, 16, 15, 28, 27, 26, 25, 24, 23, 14, 13, 7, 9, 20, 19, 18, 6, 10, 8, 2, 17, 1]运行时间： 43.86513066291809 秒。最短距离： 424.69177537685437。

​数据集见GitHub链接：https://github.com/ChuanTaoLai/Frequency-Encoding-And-Label-Encoding​

​数据集见GitHub连接：https://github.com/ChuanTaoLai/Corresponding_category_conversion

由于模拟退火的本质是一种暴力搜索，且相比遗传算法和粒子群算法更容易陷入局部最优解，因此本文采用的自适应温控记忆模型优化的思路，目的是使其迭代出来的解尽可能接近全局最优解。自适应温控记忆优化的步骤有三：初始温度、Metropolis准则、回温公式。回温公式的设定需要具体问题具体分析，其目的是增加迭代次数，避免陷入局部最优解，我这里因为例子简单，故没有设定。关于目标函数的建立，同样也是具体问题具体分析，我这里拿的是投资组合的例子。

司守奎《数学建模算法与应用》模拟退火算法章节

运筹优化 | 分支定界算法（Branch and Bound）Python求解整数规划

Python调用Gurobi求解线性规划

本文基于集成学习的方法介绍另外两种可以分析特征重要性的方法：树模型、SHAP值法。

本文将从异常值、缺失值、指标降维这三个方面分别进行实操演示。对于三个方面涉及的算法（方法）分别为：3σ原则、简单移动平均法、Lasso回归。所有的数据图片和代码在网盘可自行下载。链接：https://pan.baidu.com/s/1dio2TCMqgtZy3lyT7B6i7g?pwd=p5pu提取码：p5pu本文是作操作演示，不对原理进行解释。目录摘要一、3σ原则剔除异常值1、3σ原则方法简介2、3σ剔除异常值MATLAB源码。

数学建模线性规划司守奎课本习题讲解MATLAB实现

建立无监督指标、正向化归一化、投影寻踪、模拟退火