预测工资 分类模型预测工资水平 待办事项： 类平衡（分层，训练和测试集，无分数硬编码） PABLO完成 xgboosta，randomForest和Logistic回归（Gridsearch，Randomsearch）超参数PABLO完成，但没有xgboosta 选择最好的一个转型（grouping_countries，grouping_marital，grouping_ethnic，grouping_education） PABLO完成 来自变量的多项式以获得更好的结果（sklearn.preprocessing.PolynomialFeatures） TOMASZEK 生成依赖关系图，例如精度与参数值的关系，aoc，roc，可能是具有里程碑1/2（eda） MATI TOMUŚ矩阵TOMUŚ 报告:) MATI 准备好的代码，具有最佳效果（从头到尾） PABLO todo

为更好地控制Buck-Boost变换器输出电压,采用考虑管压降的状态空间平均模型,使用模型预测控制进行输出电压的控制.选取合适的二次性能指标作为模型预测控制的目标函数,使变换器具有较快的响应速度和较小的电压超调量,同时设置电容电压和电感电流的约束条件,以保证Buck-Boost变换器的安全性.研究结果表明:模型预测控制在Buck-Boost变换器中具有很好的控制效果.

模型预测控制理论数学抽象特点明显，初涉者往往需要较长时间的探索才能真正理解和掌握，而进一步应用到具体研究，则需要更长的过程。本书详细介绍了应用模型预测控制理论进行无人驾驶车辆控制的基础方法，结合运动规划与跟踪实例详细说明了预测模型建立、方法优化、约束处理和反馈校正的方法，给出了Matlab仿真代码和详细图解仿真步骤。所有代码都详细提供了详尽的注解，并且融入了研究团队在本领域的研究成果。

UCSD MSBA MGTA 455客户分析案例研究 RFM分析-Tuango案例 MU Kaiyu / 2021-02-02 该案例主要涉及如何在客户分析中进行RFM分析。 通过将新近度，频率和货币因素划分为5个分箱，其中第一个分箱表示响应率最高的分箱。 使用构建的模型，可以预测预期的总体响应率和利润。 在tuango_post.ipynb检查模型的tuango_post.ipynb 。

无人驾驶无人驾驶车辆模型预测控制，值得参考学习 】

AirBnB价格预测 使用监督式机器学习模型预测AirBnb的价格

Matlab关于人工神经网络在预测中的应用的论文二-基于RBF人工神经网络模型预测棉花耗水量.pdf 四、灰色人工神经网络人口总量预测模型及应用 摘要：针对单一指标进行人口总量预测精度不高的问题，基于灰色系统理论和人工神经网络理论，用1990 年至2004 年中国人口总量序列建立并训练一个多指标的灰色人工神经网络人口总量预测模型。对2005 年至2007 年的人口总量进行检验性预测，结果表明灰色人工神经网络模型大大提高了预测精度。 关键词：人口总量；灰色系统；BP 人工神经网络；灰色人工神经网络模型 引言： 本文从影响人口增长的诸多因素中筛选出6 个主要因素，结合灰色系统思想与神经网络的优点建立了一个灰色人工神经网络（Grey Artificial Neural Network，GANN）预测模型，对每一个指标分别用GM（1，1）模型选择最佳的维数进行预测，再利用神经网络非线性映射的特性把这6 个指标进行非线性组合得到人口总量的预测结果。该模型充分利用灰色系统弱化数据的随机性及其动态性和神经网络非线性映射的特性，发挥两者的优势，从而进一步提高预测精度。 中间内容省略~ 结语： 由于传统遗传算法聚类算法本身的优点：在解决聚类问题上速度快、准确率高，加上免疫网络分类算法可以进行非监督学习，确定聚类数及聚类点，在实际聚类应用中有更广阔的适用性；在这种独特的聚类算法的基础上，结合粗糙集理论构建了一种图像分割算法；同时，通过实验证明该方法不但比传统的FCM 算法聚类速度快，分割效果好，而且比文献[2]的分割准确度还要高。由于该方法有在聚类上的无教师监督的独特优点，并且通过对人脑MR 图聚类和分割的两个实验，证明了该分割算法比以往分割算法在具体应用上都有一定的提高。 灰色人工神经网络人口总量预测模型及应用.pdf 五、人工神经网络模型在研究生招生数量预测中的应用 摘要：研究生招生数量的确定涉国家政策、社会就业、人才需求、专业分布与需求等诸多因素，这些影响因素往往无法量化，而且各个影响因素之间关系错综复杂，简单的线性模型预测未来招生数量往往难以实现。尝试采用人工神经网络模型，针对历年招生数量原始数据信息零散、隐含影响因素过多、诸多影响因素难以确定性描述等问题，通过对黑龙江省历年研究生招生数量进行系统分析，建立了人工神经网络预测模型，并对未来3年的招生数量进行了预测，预测结果较好，为该方面研究提供了新的研究思路与研究方法。 关键词:黑龙江省;研究生招生;预测;人工神经网络模型 引言： 关于研究生招生数量的确定，涉及诸多因素，例如国家政策、社会就业、人才需求、专业分布与需求等等。这些影响因素往往无法量化，很难找出定量化的因素来进行分析，而这些因素又确确实实在很大程度上影响着研究生招生的数量及其分布。以往分析预测方法主要是确定性数学模型和随机统计方法，例如有限单元法、有限差分法、灰色理论建模、回归分析、谐波分析、时间序列分析、概率统计法等。这些方法多以线性理论为基础，考虑问题偏于简单化，导致预测精度不高。 本论文结合黑龙江省1981年—2004年的研究生招生规模，针对历年招生数量原始数据信息零散、隐含影响因素过多、诸多影响因素难以确定性描述等问题，探讨应用一种改进的BP网络模型对未来3年黑龙江省研究生招生规模进行预测，为该方面研究提供新的研究思路与研究模式，并渴望为用人单位、科研院校提供制定长远发展与建设规划提供参考。 中间内容省略~ 结语： 采用人工神经网络模型可以有效的处理黑龙江省研究生数量中涉及的人为、政策等随机因素、难以量化等因素的干扰，拟合精度非常高，预测精度也相对较高，为未来研究生招生规模提供科学理论依据，为该方面研究提供新的研究方法与研究思路。 人工神经网络模型在研究生招生数量预测中的应用.pdf 六、基于RBF人工神经网络模型预测棉花耗水量 摘要：利用MATLAB工具箱，以平均气温、日照时数、平均风速为输入变量，建立了新疆石河子地区棉花耗水量的RBF人工神经网络预测系统，通过2008年实测数据的检验表明，此预测系统网络模型的绝对误差最大为0.0967mm/d、最小为0.0025mm/d、平均为0.0419mm/d，相对误差最大为2.6491%、最小为0.0341%、平均为0.8780%。可见，网络模型预测的准确度较高，较以往的线性模型更合理，并且此网络训练花费的时间仅需0.0780s，具有一定的实用价值。 关键词：预测；人工神经网络；径向基函数；棉花耗水量 引言： 计算机人工神经网络是20世纪80年

模型预测控制经典论文，看完受益匪浅，对无人驾驶新手来说简直一大福利

贝叶斯网络模型预测小学生成绩 ，张素花，谭子健，首先根据主成分分析法对数据筛选，得到影响学生学业成绩的主要因素；其次，根据贝叶斯统计理论建立贝叶斯预测模型，并利用五年级

基于状态空间模型的模型预测控制，matlab平台实现。