qq_63978775的博客

小于：放了第 i 件物品，前面的还能塞一点，那么我们是不是可以把问题转化为在 i-1 件物品中挑一些放入容量为 j-wi 的背包中？即此时的利润为 f(i-1,j-wi)。i 等于1，只要这一件物品重量（w1）小于背包容量 j ，那么就可以获得这一件物品的利润，即 f(1,j)=v1(第1件物品的利润)，否则等于0。选择不放（第i件物品甚至大于背包容量），那么问题很简单，f(i,j)=f(i-1,j)。子问题：将前 i(i

1、区分时点时间序列和时期时间序列。（时期时间序列可以累加，但是时点时间序列不可以，为什么要区分这两种数据？处理方法：序列平均值，临近点的平均值，临近点的中位数，线性插值，临近点的线性趋势。2、长期趋势(T)：统计指标在相当长的时间内，受到长期趋势的影响因素的因素，表现出持续上升或下降的趋势。5、不规则变动（I）：某些随机因素导致数值的变化，因素的作用不可预知以及没有规律性（回归中称为扰动项）。6、叠加模型（相互独立关系）：四种变动相加，时间序列图波动变化小。1、定义时间变量，判断时间序列包含的变动成分。

拟合问题的目标是寻求一个函数（曲线），使得该曲线在某种准则下与所有的数据点最为接近，即曲线拟合的最好（最小化损失函数）。注意，R方只能用于拟合函数是线性函数（参数是线性的）时，对于拟合结果的评价。分别对k和b求偏导，令其偏导数等于0，解得可以使L取得最小值的(k,b)。拟合优度越接近1，说明误差平方和越接近0，误差越小说明拟合越好。2、用最小二乘法求解参数k和b（yihat是拟合值，yi是真实值）第一种定义有绝对值，不容易求导，因此计算比较复杂。与插值问题不同，在拟合问题中不需要曲线一定经过给定的点。

然后计算每个样本与当前已有聚类中心的最短距离，这个值越大，表示该样本被选为下一个聚类中心的概率越大。K-mans++算法是对前一种算法的优化，主要体现在“初始化K个聚类中心”这一步。二、K-means++算法（初始的聚类中心之间的相互距离要尽可能地远，用于解决缺点2、3）首先随机选取一个样本作为第一个聚类中心。聚类就是将样本划分为由类似的对象组成的多个类的过程。最后，用轮盘法选出下一个聚类中心。重复此法，直到选出K个聚类中心。2、处理大数据集非常高效。1、必须事先给出类的个数。1、算法简单，快速。

对于因变量为分类变量的情况，可以使用逻辑回归进行处理，把y看成事件发生的概率，大于0.5表示发生，小于0.5表示不发生。下面要估计连接函数中的参数，非线性模型可以用极大似然估计方法（MLE）。用原来的回归模型可能会遇到内生性问题以及预测值不在0—1之间这两个问题。这个函数称为连接函数，连接了被解释变量y与解释变量x。因此要构造一个新的函数，解释变量为x且值域为0—1。...

将一个不确定的问题转化为很多个确定的问题并得到一个近似解，因此蒙特卡洛也可以看作是枚举法的变异。（模拟的结果中总会有一个符合最优解 ，而且枚举法的时间我们不能控制，但是蒙特卡洛模拟的时间我们可以控制。如果我们所求问题与概率模型有一定的关联，那么我们就可用计算机多次模拟事件的发生来求得近似解。当我们手头没有现成数据来验证某一个猜想时，就可以用蒙特卡洛模拟来生成随机数进行验证。蒙特卡洛是一种方法，不是一种算法，没有通用的代码，是计算机仿真模拟的早期叫法。...

会导致回归系数估计不准确，不满足无偏和一致性。误差项和x的相关系数越大，内生性越严重。只要满足误差项和核心解释变量相关性为0就行，其余的为控制变量，把它们也放入回归方程是因为要控制住那些对被解释变量有影响的遗漏因素。两套定义：X是自变量，Y是因变量；X是解释变量，Y是被解释变量。通过研究X和Y的关系，解释Y的形成机制，进而通过X来预测Y。外生性：误差项与所有自变量x都没有关系。通过matlab画图，纵坐标是估计值，横坐标是相关系数。面板数据：不同个体，不同时间。（x为品质，y为销量）品质为0时，销量为。..

4随便选中表中的一个数据，Ctrl+shif+空格。2.Ctrl+shift+右箭头：选中该行。3.Ctrl+shift+右+下：选中所有。1.Ctrl+右（上下左）箭头：跳转到最后一列。用Matlab或者Excel计算统计性表格（可视化：色阶）。2、画散点图，看是否线性。5、求皮尔逊相关系数。用来衡量两个变量之间相关性的大小。...

许多事情的边界并不十分明显，评价时很难将其归于某个类别，于是我们先对单个因素进行评价，然后对所有因素进行综合模糊评价，防止遗漏任何统计信息和信息的中途损失，这有助于解决用“是”或“否”这样的确定性评价带来的对客观真实的偏离问题。确定隶属函数的方法指派法——梯形分布。分类偏小型，中间型，偏大型。(这里的求和不能理解为加法)二、用隶属函数刻画模糊集合。,模糊集合为A，隶属度为A(值越高，越属于这个集合。...

两级最小差和两级最大差将每一个指标看成是一个列向量，用子序列中的每个向量与母序列中的向量作差并取绝对值，并找到最小值和最大值，最小值成为两级最小差（a），最大值成为两级最大差(b)。对序列里的每个指标进行预处理，先求出每个指标的均值，再用该指标中的每个元素除以均值。根据序列曲线的几何形状的相似程度来判断其联系是否紧密，曲线越接近相应序列之间的关联度就越大，反之就越小。母序列（参考序列，母指标）类似于因变量y，这里记作。3.将预处理后的的矩阵每一行的最大值取出构成母序列（虚构的母序列）...