数模预测模型那些
01、线性回归
线性回归比较经典的模型之一，英国科学家Francis Galton在19世纪就使用了 "回归 "一词，并且仍然是使用数据表示线性关系最有效的模型之一。线性回归是世界范围内，许多计量经济学课程的主要内容。学习该线性模型将让你在解决回归问题有方向，并了解如何用数学知识来预测现象。
02、逻辑回归
虽然名为回归，但逻辑回归是掌握分类问题的最佳模型。学习逻辑回归有以下几点优势：
初步了解分类和多分类问题，这是机器学习任务的重要部分
理解函数转换，如Sigmoid函数的转换
了解梯度下降的其他函数的用法，以及如何对函数进行优化。
03、决策树
首先要研究的非线性算法应该是决策树。决策树是一种基于if-else规则的，相对简单且可解释的算法，它将让你很好地掌握非线性算法及其优缺点。决策树是所有基于树模型的基础，通过学习决策树，你还将准备学习其他技术，如XGBoost或LightGBM。而且，决策树同时适用于回归和分类问题，两者之间的差异最小，选择影响结果的最佳变量的基本原理大致相同，你只是换了一个标准来做。
04、随机森林
由于决策树对超参数和简单假设的敏感性，决策树的结果相当有限。当你深入了解后，你会明白决策树很容易过度拟合，从而得出的模型对未来缺乏概括性。随机森林的概念非常简单。有助于在不同的决策树之间实现多样化，从而提高算法的稳健性。就像决策树一样，你可以配置大量的超参数，以增强这种集成模型的性能。
数模预测模型具体有：
1、蒙特卡罗算法（该算法又称随机性模拟算法，是通过计算机仿真来解决问题的算法，同时可以通过模拟可以来检验自己模型的正确性，是比赛时必用的方法）
2、数据拟合、参数估计、插值等数据处理算法（比赛中通常会遇到大量的数据需要处理，而处理数据的关键就在于这些算法，通常使用Matlab作为工具）
3、线性规划、整数规划、多元规划、二次规划等规划类问题（建模竞赛大多数问题属于最优化问题，很多时候这些问题可以用数学规划算法来描述，通常使用Lindo、Lingo软件实现）
4、图论算法（这类算法可以分为很多种，包括最短路、网络流、二分图等算法，涉及到图论的问题可以用这些方法解决，需要认真准备）
5、动态规划、回溯搜索、分治算法、分支定界等计算机算法（这些算法是算法设计中比较常用的方法，很多场合可以用到竞赛中）
6、最优化理论的三大非经典算法：模拟退火法、神经网络、遗传算法（这些问题是用来解决一些较困难的最优化问题的算法，对于有些问题非常有帮助，但是算法的实现比较困难，需慎重使用）
7、网格算法和穷举法（网格算法和穷举法都是暴力搜索最优点的算法，在很多竞赛题中有应用，当重点讨论模型本身而轻视算法的时候，可以使用这种暴力方案，最好使用一些高级语言作为编程工具）
8、一些连续离散化方法（很多问题都是实际来的，数据可以是连续的，而计算机只认的是离散的数据，因此将其离散化后进行差分代替微分、求和代替积分等思想是非常重要的）
9、数值分析算法（如果在比赛中采用高级语言进行编程的话，那一些数值分析中常用的算法比如方程组求解、矩阵运算、函数积分等算法就需要额外编写库函数进行调用）
10、图象处理算法（赛题中有一类问题与图形有关，即使与图形无关，论文中也应该要不乏图片的，这些图形如何展示以及如何处理就是需要解决的问题，通常使用Matlab进行处理）
