数据建模需要哪些知识

你看谢金星编写的那本数学建模书。一本书啃下来，你已经掌握了各种题型的基本方法。做题的时候，题目先是要细细的看，然后，有时候会发现如果所有条件都用上，可能根本就做不出什么来了。所以，你要学会提炼条件。再一个就是通过网上各种资料的搜集，要从别人的文献中找到有用的建模方法，要想成绩特别好的话，就必须有自己的想法。对于美国建模，和国内还是相差挺大的，难度、要求都不一样。必须至少有一人掌握matlab编程。论文一定要写好，语句通顺无错别字。

参加数学建模竞赛是不是需要学习很多知识？

没有必要很系统的学很多数学知识，这是时间和精力不允许的。很多优秀的论文，其高明之处并不是用了多少数学知识，而是思维比较全面、贴合实际、能解决问题或是有所创新。有时候，在论文中可能碰见一些没有学过的知识，怎么办？现学现用，在优秀论文中用过的数学知识就是最有可能在数学建模竞赛中用到的，你当然有必要去翻一翻。

具体说来，大概有以下这三个方面：

第一方面：数学知识的应用能力

归结起来大体上有以下几类：

1）概率与数理统计

2）统筹与线轴规划

3）微分方程；

还有与计算机知识交叉的知识：计算机模拟。

上述的内容有些同学完全没有学过，也有些同学只学过一点概率与数理统计，微分方程的知识怎么办呢？一个词“自学”，我曾听到过数模评卷的负责教师范毅说过“能用最简单浅易的数学方法解决了别人用高深理论才能解决的答卷是更优秀的答卷”。

第二方面：计算机的运用能力

一般来说凡参加过数模竞赛的同学都能熟练地应用字处理“Word”，掌握电子表格“Excel”的使用；“Mathematica”的使用，最好还具备语言能力。这些知识大部分都是学生自己利用课余时间学习的。

第三方面：论文的写作能力

前面已经说过考卷的全文是论文式的，文章的书写有比较严格的格式。要清楚地表达自己的想法并不容易，有时一个问题没说清楚就又说另一个问题了。评卷的教师们有一个共识，一篇文章用10来分钟阅读仍然没有引起兴趣的话，这一遍文章就很有可能被打入冷宫了。

最后，祝你取得好成绩。

数据建模是一个用于定义和分析在组织的信息系统范围内支持商业流程所需的数据要求的过程。简单来说，数据建模是基于对业务数据的理解和数据分析的需要，将各类数据进行整合和关联，使得数据可以最终以可视化的方式呈现，让使用者能够快速地、高效地获取到数据中有价值的信息，从而做出准确有效的决策。

之所以数据建模会变得复杂且难度大，是因为在建模过程中会引入数学公式或模型，用于确定数据实体之间的关联关系。不同的业务逻辑和商业需求需要选择不同的数学公式或模型，而且，一个好的数据模型需要通过多次的测试和优化迭代来完成，这就使得数据建模的难度变得很高。但是，数据分析中的建模并没有想象中的那么高深莫测，人人都可以做出适合自己的模型。

数据建模总归是为了分析数据从而解决商业问题。如下图数据建模的流程图，数据建模核心部分是变量处理和模型搭建。

变量处理

在建模之前，首先要决定选择哪些变量进行建模，主要从业务逻辑和数据逻辑两方面来考虑。业务逻辑需要了解数据来源的背景，通过了解业务知识来判断哪些变量在业务上很有价值的，哪些变量是可以选择的。数据逻辑则是从数据的完整性，集中度，是否与其他变量强相关等角度来考虑。

除了选择变量，对于一些变量的重构也是需要在建模前进行。例如客户的满意度有“满意”“不满意”，可以将其重构成数字“0”和“1”，便于后续建模使用。除此以外，还有将变量单独计算（取平均值）和组合计算（如A*B）也是常用的重构方法，例如，缺失值以数据取平均值的方式替换。

模型搭建

在模型搭建时，会经历选择算法、设定参数、加载算法、测试结果四个过程。在这个过程中，测试结果会引导调整之前设定的参数，加载算法会对应调整之前选择的算法，而选择算法时会考虑到已定的变量，如果变量不满足算法要求，还需回到选择/重构变量，直至得到最合适的模型。

在优化模型的过程中，模型的解释能力和实用性会不断地提升。在结果输出之后，还需接收业务人员的反馈，看看模型是否解决了他们的问题，如果没有，还需进一步修改和调整。

MicroStrategy在数据领域深挖企业需求，经过多年的研究和沉淀，结合众多复杂的应用场景，不断更新体验，深入开发各种数据辅助功能，使客户可以一站式链接各类型数据资源，完成数据导入和数据建模。在MicroStrategy 平台中，既支持传统方式数据建模，即通过Project Schema 来进行建模，又支持自助式数据导入的建模方式。

传统的基本数据模型有以下三种：

1、层次模型

层次模型是一种树结构模型，它把数据按自然的层次关系组织起来，以反映数据之间的隶属关系。层次模型是数据库技术中发展最早、技术上比较成熟的一种数据模型。它的特点是地理数据组织成有向有序的树结构，也叫树形结构。结构中的结点代表数据记录，连线描述位于不同结点数据间的从属关系(一对多的关系)。

2、网状数据模型

网状模型将数据组织成有向图结构，图中的结点代表数据记录，连线描述不同结点数据间的联系。这种数据模型的基本特征是，结点数据之间没有明确的从属关系，一个结点可与其它多个结点建立联系，即结点之间的联系是任意的，任何两个结点之间都能发生联系，可表示多对多的关系。

3、关系数据模型

由于关系数据库结构简单， *** 作方便，有坚实的理论基础，所以发展很快，80年代以后推出的数据库管理系统几乎都是关系型的。涉及到的基础知识有：关系模型的逻辑数据结构，表的 *** 作符，表的完整性规则和视图、范式概念。

关系模型可以简单、灵活地表示各种实体及其关系，其数据描述具有较强的一致性和独立性。在关系数据库系统中，对数据的 *** 作是通过关系代数实现的，具有严格的数学基础。

---