数学建模常见模型汇总

1. 回归模型

线性回归（Linear Regression）：用于预测连续变量，通过拟合一个线性方程来最小化预测值和实际值之间的误差。

多元线性回归（Multiple Linear Regression）：扩展线性回归模型，使用多个特征进行预测。

岭回归（Ridge Regression）和Lasso回归（Lasso Regression）：用于处理多重共线性问题，通过引入正则化项来避免过拟合。

2. 分类模型

逻辑回归（Logistic Regression）：用于二分类问题，通过逻辑函数将线性组合的输入映射到一个概率值。

支持向量机（SVM）：通过找到最优超平面来区分不同类别。

决策树（Decision Tree）：通过构建树状模型来进行分类决策。

随机森林（Random Forest）：通过集成多棵决策树来提高模型的稳定性和准确性。

K近邻（K-Nearest Neighbors, KNN）：通过测量新样本与训练样本的距离来进行分类。

3. 集成学习模型

随机森林（Random Forest）：由多棵决策树组成的集成模型，利用投票机制进行分类或回归。

梯度提升树（Gradient Boosting Trees, GBT）：通过逐步构建多个弱学习器来提高预测精度。

XGBoost和LightGBM：改进的梯度提升模型，具有更高的效率和性能。

4. 时间序列预测模型

自回归模型