大数据数学建模新模式的构建研究,数学建模论文.docx

《大数据数学建模新模式的构建研究,数学建模论文.docx》由会员分享，可在线阅读，更多相关《大数据数学建模新模式的构建研究,数学建模论文.docx（8页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、大数据数学建模新模式的构建研究,数学建模论文内容摘要：大数据正在改变着人们的生活以及研究与理解世界的方式，对于大数据与数学建模算法的结合，高校中的大学生们接触的并不多。针对大学生数学建模能力的现在状况，结合大数据，找出传统数学建模存在的弱点，进行研究提升。让它们有机地结合在一起，构建一种大数据时代的大数据数学建模新形式。 本文关键词语：数据预处理; 数学建模; 数学教学; 一、引言 当今的社会正步入一个大数据的时期，整个社会的信息的分享化越来越大，这也为科技的发展和社会的进步提供了一系列的便利。而这一切的变化、这一切的发展都是以数学为基石的。所以讲，当今社会的电子信息、大数据信息的环境下数学的

2、综合应用能力和创新、建模意识培养是当下高校中数学课程要解决的一个很大的任务。十分是如今数学与计算机之间的融合与交互发展，让数学的应用空间越来越宽广，如今很多地方已经将运筹学的相关知识参加到了中学教学材料中，加强中学生的数学应用思维。 同时，在国内的很多高校中也开设了很多数学应用、模型建立、数据分析与挖掘等方面的课程，如今高校中的全国大学生数学建模也搞的如火如荼，这一些都是将书本上的理论知识转化为看得见、用得着的实际研究，让学生们认识到数学的重要性，看到其发展性。数学在工科类专业与工商经管类专业中都是很重要的，但是其课时设置是固定的，在有限的时间内，只能将其基础知识进行讲解，而不能将其进行扩大、

3、延伸。 这样，在课堂上学到的知识和在社会、工作中的实际应用联络不起来，十分是如今大数据的研究已经构成一种思维趋势。导致课堂与实际不能衔接，学生没有相应的训练、实践。没有相应的环境，就得不到相应的提高。大学生对于数学知识的运用，除了要学习教学材料知识还要了解很多的相应课外知识，利用课余时间多学习一些相应的课程，将数学知识面拓展到一定广度。学生需要根据自个的专业特点、就业方向，学习以后将可能利用到的数学知识，有目的、有目的地去学习，由于数学的面是非常宽广的，全部学习是不大可能的，所以要专业性。为了学生们能够有一个好的指导方向和学习环境，需要老师人为地为其进行指引，以培养学生的各种能力为方向。 二、

4、在数学建模中运用大数据思维方式 大数据时代，人们的思维、研究方式都需要进行改变，以前的算法已经不再适应大数学形式，如今人们探寻求索、创造、研发的方式都在进行着升级改变，它为现代的新思维提供了一种源泉，也让新思维呈现出一种爆发之势。大数据会让社会让世界变得越来越好。数学建模中，运用大数据进行研究与考虑的思维方式以及主要步骤有下面几方面:实际问题 数据抽取 数据预处理(包括:数据清洗、数据集成、数据转换、数据消减) 调用算法(适用大数据的算法) 数据训练 辨别 数据评估。 (一)强调整体性，大局观。 主要是对于进行建模所需要的数据要进行处理的环节，传统的建模方式所牵涉到的数据处理一般是着重强调使用

5、部分的数据来替代整体的数据，换句话讲就是采用抽样或者其他统计方式进行。而在大数据下，数据建模所要求和所强调的是一个都不能少，就是要使用全部的数据进行研究和规律的开掘。 (二)强调多样性、注重数据的平等性。 样本很小的时候，数据的获得都是经过不断的核实和处理过的，数据都具有一定的准确性，如今在大数据的背景下，应该先成认如今数据的多样性，也要成认华而不实一些非构造数据的合理性，要对这么多的数据进行分析处理。在数据样本很少的时候，用权值处理问题，一般是要强调它的奉献度;但在如今的大数据情况下，每一个数据都是同等的，都具有同等的奉献度。 三、大学生数学建模能力的现在状况及提升 如今很多专门研究数学建模

6、的算法应用，但就大数据与数学建模算法的结合来讲专门研究的不多，学生接触的也不多，因而学生在碰到问题时不知道怎样下手。很多研究是专门针对大数据的，很多是专门针对算法的，学生在学完算法后，面对大数据不知所措，大数据给出的数据量太大，动则十几万、几十万的数据，数据中并且有很多的问题，那么怎样对量这么大的数据进行分析处理、对里面的问题进行修正，对数据进行清洗，这一些学生都是不会的。针对大学生数学建模能力的现在状况，结合大数据，找出传统数学建模存在的弱点，进行研究提升。 (一)加强学生对于大数据模型建立的认知。 让学生们真正拿到实际问题的大数据，要使学生们真正明白什么是大数据，摆脱不见数据只建模型的纸上

7、谈兵行为。在老师的指导下让学生们去进行数据分析，让他们在数据处理的经过中加强认知、学会处理方式方法。 (二)让学生把握大数据的处理方式方法。 大数据的数据量是非常大的，它也并不是拿来就用的，这么大的信息量，哪些是有用的、哪些是没用的、哪些是缺失的等，那么针对大数据，应该怎样分析、怎样入手、怎样清洗、怎样挑选，这都是以前的数学建模中所遇不到的。只要实践才是检验真理的唯一标准，只要动手操作才能让学生在实践中去学会大数据的处理，一切纸上谈兵都是行不通的。 (三)让学生把握大数据的算法。 大数据的算法与以往传统数学建模的算法是有所不同的。让学生在真正的大数据实践中学会各种算法。 四、大数据建模的常用分

8、析步骤 当下，有多款针对于大数据建模的应用软件，如SPSS、SAS、MATLAB、Spark+Scala、Python、R、Java等工具。 (一)数据质量分析。 假如数据没有可信度，那么所谓利用数据建立的模型将会是海市蜃楼，原始数据中能否存在脏数据，需要进行数据检查，将不符合要求及不能进行分析的数据找出来去掉。脏数据包括:不一致的值、异常值、缺失值、还有重复的数据以及含有一些如#*￥ 等特殊符号的数据。 1缺失值分析。 缺失值存在的原因有，无法获取、被遗漏(输入遗漏、存储故障等)、不存在的属性值(如，一个小学生的工资，一个没有结过婚的女士的丈夫姓名等)等。缺失值的存在可能会使通过挖掘数据而建

9、立的模型表现出的不确定因素愈加突出，让规律愈加难以把握，而数据中出现的空值会使模型的建立经过陷入一种混乱，进而会导致在结果中出现一些不可靠的输出。 2异常值分析。 在检验时需要注意数据录入时有没有错误、是不是含有不合理数据，假如将异常值忽略掉，这是会很危险的，不把异常值去除，直接包进数据中进行计算，可能会使结果不好，不能反映问题。 统计量中最常用的是Max和Min，用来判定它的取值是不是超出了合理范围(比方，年龄最大值是999，这显然是存在异常的)。 3 原则:假如数据服从正态分布，那么距离平均值3 之外的值出现的概率为P(|x- | 3 ) 0.003，属极个别小概率事件。假如不是正态分布，

10、则可使用离平均值多少倍的标准来描绘叙述。 3箱形图分析。 异常值被定义为小于QL-1.5IQR或QU+1.5IQR,QL为下四分位数，它表示数据中有四分之一的数据比它小;QU为上四分位数，表示数据中有四分之一的数据比它大;IQR为四分位数间距(等于QU-QL)。 异常值的检测运用R语言举例如下: (二)数据特征分析。 对数据进行一系列的分析后，再进行图表绘制、特征量的计算等手段对数据的特征进行分析。 1分布分析。 分布分析主要用于揭示数据的分布特征和类型。定量数据用于做频率分布表，绘频率分布直方图、茎叶图进行直观分析，定性数据则用做饼形图、条形图，显示分布情况。 定量数据的分布分析:第一步，求

11、极差;第二步，决定组距与组数(根据详细题目决定组距、组数);第三步，决定分点(根据组距、组数列出分布区间);第四步，列出频率分布表;第五步，绘制频率分布直方图。 在分布分析中，要遵守下面原则:第一，各组之间必需要有排挤性，是互相排挤的;第二，各组的合并必需要将所有的数据全部都包含在里面;第三，组与组之间的组宽最好相等。 统计学上的定性数据包括:分类数据(如男、女)和顺序数据(如年龄、身高等)，它是表示事物的性质、规定事物类别的一种文字的表述，只能是将其进行定性，而不能将其量化。 2比照分析。 比照分析是将两个指标进行互相比拟，从数量上来展示研究对象规模的大小、速度的快慢、水平的高低等各类关系能否互相协调。十分合适:指标间的横纵向比拟、时间序列的比拟分析。 以下为参考文献 1 周苏，冯婵璟，王硕苹等大数据技术与应用M北京:机械工业出版社，2021:34 2 曾剑平互联网大数据处理技术与应用M北京:清华大学出版社，2021:56 3 张良均，王路python数据分析与挖掘实战M北京:机械工业出版社，2021:6061