跳到主要内容
首页/工具箱
← 返回 MathorCup 比赛

MATHORCUP · 模型实验室

建模方法、可运行实验与流程图

本页计算在当前浏览器运行,数据不会因为这两个演示发送给外部模型。先用可解释基线验证数据和指标,再决定是否升级模型。

数模 Skill 流程

从题意到交卷保留可核查产物。四个公开 GitHub 项目的工作流仅作方法参考,以下规则由数衡重新组织;未引入其代码。

1 赛题理解

题目底稿、字段与单位、歧义登记、假设来源;队员确认题意。

2 模型候选

至少 2 个候选和 1 个可解释基线;说明模型身份、复杂度与取舍。

3 计算验证

小例/交叉检查、留出或滚动验证、敏感性、可复现配置。

4 一等奖质量门禁

检查数值来源、图表证据、论文一致性、匿名与当届规则;队员终审。

下载完整建模 Skill 工作卡

模型方法卡 · 14/14

“可运行演示”仅指本页两种确定性算法;其他方法卡提供选型、输入、验证和论文写法,尚未接入求解器。

单变量回归与均值基线 预测 · 可运行演示
适用:
连续目标值;有可解释的单个数值特征;按实际预测时点划分。
输入:
按时间排序的 x,y 两列 CSV,至少 6 行。
输出:
线性系数、测试集预测、MAE / RMSE / R²、与训练均值基线对照。
验证:
训练集拟合,末段留出测试;残差检查;敏感性和外推范围检查。
常见错误:
随机打乱时间数据;先用全量数据标准化;拿测试集调参;样本太少时过度解释 R²。
论文写法:
写明数据时点、留出方案、基线与误差指标,并列出预测和实际值及残差。
TOPSIS 多指标评价 评价 · 可运行演示
适用:
多个方案、指标方向清楚、权重来源能说明。
输入:
方案名 + 多列数值指标;每项权重和效益/成本方向。
输出:
贴近度、排序及权重扰动后名次变化。
验证:
检查零范数和同值列;效益/成本方向复核;权重扰动检查排名稳健性。
常见错误:
将成本指标当效益指标;权重无来源;把排名当成因果结论。
论文写法:
给出方向与权重来源、归一化方式、正负理想解、贴近度和排名稳健性。
AHP 层次分析 评价 · 方法卡
适用:
指标具有合理层级,可获得专家成对比较。
输入:
正互反判断矩阵、指标层级。
输出:
权重与一致性比率 CR。
验证:
对角线为 1、aᵢⱼ=1/aⱼᵢ、一致性检查;与数据驱动权重对照。
常见错误:
未通过一致性仍使用权重;专家意见未经记录。
论文写法:
说明专家来源、判断矩阵与 CR,不将主观权重写成客观事实。
熵权法 评价 · 方法卡
适用:
多方案客观指标,有足够离散度。
输入:
数值矩阵、指标方向、缺失值规则。
输出:
各指标权重与信息熵。
验证:
常数列、零值及归一化分母检查;与等权或 CRITIC 对照。
常见错误:
样本过少;方向处理错误;把熵权当因果重要性。
论文写法:
交代标准化、零值处理和权重敏感性。
CRITIC 权重 评价 · 方法卡
适用:
关注指标冲突和相关性,样本量可支撑相关系数估计。
输入:
方案×指标矩阵,指标方向。
输出:
基于变异与相关冲突的权重。
验证:
相关矩阵和异常值检查;与等权、熵权结果对照。
常见错误:
极小样本下相关系数不稳;重复指标导致虚假权重。
论文写法:
说明冲突性定义、样本规模及与替代权重的比较。
PCA 主成分 降维 · 方法卡
适用:
数值特征相关较强,降维不损害题意所需解释。
输入:
数值矩阵、训练集、标准化规则。
输出:
主成分、载荷、解释方差。
验证:
只在训练集拟合标准化与 PCA;查看解释方差和重构误差。
常见错误:
先用全量样本降维后再切分;把主成分当原始物理量。
论文写法:
列出保留标准、累计解释方差和主要载荷。
K-means 聚类 聚类 · 方法卡
适用:
需要探索结构,变量量纲可统一,距离有意义。
输入:
数值特征、K 值候选、随机种子。
输出:
类别标签、中心、组内误差。
验证:
标准化只基于可用数据;多种 K 和随机种子稳定性比较。
常见错误:
把聚类标签当真实类别;不报告随机种子。
论文写法:
解释特征与距离、K 的选取、各类画像及不稳定样本。
线性规划 / 整数规划 优化 · 方法卡
适用:
目标与约束可线性表达;离散决策需整数变量。
输入:
变量、目标方向、约束、边界与单位。
输出:
可行解、目标值、约束余量。
验证:
手算小例、独立求解器交叉检查、约束残差与极端参数测试。
常见错误:
大 M 取值过大;忽略不可行;浮点近似整数误判。
论文写法:
给出变量定义、目标、全部约束、求解器及可行性证据。
时间序列预测 预测 · 方法卡
适用:
观测按时间先后产生,预测时点可明确。
输入:
日期、目标值、当时可获得的外生变量。
输出:
未来预测、误差和不确定区间。
验证:
滚动或扩展窗口验证;与季节性朴素基线比较;检查泄漏。
常见错误:
随机划分;未来信息进入特征;训练集外拟合预处理。
论文写法:
声明预测时点、可用特征、滚动窗口和各时段误差。
GM(1,1) 灰色预测 预测 · 方法卡
适用:
短序列且趋势较平滑;数据满足级比检验。
输入:
非负短序列与预测步长。
输出:
拟合序列、预测值、残差。
验证:
级比检查、后验差比、与朴素预测比较。
常见错误:
对振荡或突变序列生搬硬套;长跨度外推。
论文写法:
报告适用性检验、参数、误差与预测范围。
最短路径 / 最小生成树 图论 · 方法卡
适用:
对象与连接关系可构成图,边权含义清楚。
输入:
节点、边、方向、非负权重或相应算法约束。
输出:
路径/树及总代价。
验证:
小图手算、连通性和边权检查;交叉算法验证。
常见错误:
将有向关系当无向;用 Dijkstra 处理负边。
论文写法:
描述网络构造、边权单位、算法与最优性证据。
Monte Carlo 不确定性 模拟 · 方法卡
适用:
输入不确定性可以用有依据的分布表示。
输入:
参数分布、相关性、随机种子、模拟次数。
输出:
输出分布、置信区间、失败概率。
验证:
收敛曲线、种子复跑、分布假设敏感性。
常见错误:
凭空指定分布;忽略变量相关性;只报均值。
论文写法:
说明分布依据、迭代次数、区间和关键风险。
敏感性分析 验证 · 方法卡
适用:
关键参数和输出关系已确定。
输入:
基准方案、参数范围、输出指标。
输出:
参数扰动对关键结论的影响。
验证:
范围要有现实依据;单因素与联合扰动对照;记录结论翻转点。
常见错误:
只扰动无关参数;扰动范围不合理;只报告稳定结果。
论文写法:
报告范围、变化率、临界值及不稳健结论。
科研图表证据 绘图 · 方法卡
适用:
有真实计算输出及每张图要支撑的明确结论。
输入:
原始结果、单位、图的证据目的。
输出:
带轴标签、单位、图注和来源的可追溯图。
验证:
图表数字与结果文件核对;色盲可读性与灰度打印检查。
常见错误:
截断坐标夸大差异;图无单位;手填未计算出的数值。
论文写法:
每图紧随解释:展示什么、支持哪一问、例外情况。

方法来源与适用边界

Hjdd14/math-modeling:借鉴题目底稿、歧义/假设记录、baseline、oracle 小例、交叉验证与质量检查产物。

miaodemimi/mathmodel-skills:借鉴阶段交接、人工题意/模型/结果/论文门禁、科研图表与编译验收思路。

WuXinbo-bo/Math-model-skills:借鉴 baseline→enhancement、模型语义合同、图表和正文统一数值来源。

cha3343954211/math-modeling-skill:借鉴比赛阶段检查、递进关系图、复跑与匿名终检。

以上仓库的公开说明可能更新;赛事要求以 MathorCup 当届官方规则为准。PyLearn 公共页面本次无法独立抓取,课程清单只按你提供的说明筛选,不宣称已导入其内容。