给大家分享一下个人认为美赛C/E/F题应该掌握的一些技巧，我不太想讲和基础的一个个小模型，而是从历年OF论文中整理出来的一些取胜之匙🔑，这样的干货确实比较少见，欢迎有志之士共同探讨。
1.评价类模型
EWM-TOPSIS【综合评价模板】 - 可替换老古董AHP
PCA【降维】- 注意要结合"语文建模"解释凝练主成分含义
K-means++ 【聚类】 ++的初始化优化思想也可以用来改其他模型
GE matrix 【定性分析思想】，用来给措施和建议，EF题常用，没那么数学，但比干说强。
2.预测类模型
时间序列预测 ：GM（1，1）灰色预测；ARIMA；Prophet; LSTM;ARIMA-LSTM组合
回归预测：LR;Ridge;Lasso;逻辑回归；决策树；RF;GBDT;XGBoost;Adaboost;Catboost;lightGBM
回归评价指标：MSE、RMSE、MAPE、MAE、R^2
**分类预测：**逻辑回归、KNN、SVM、高斯朴素贝叶斯、多层感知机、决策树、Adaboost、XGBoost、Catboost、随机森林
分类评价指标：Accuracy、Precision、Recall、F1、AUC、logloss P-R曲线、ROC曲线、混淆矩阵。
延申：SMOTE Stacking SHAP 特征选择中的null-importance 参数调优（网格、随机、贝叶斯、优化算法）
3.优化类
问题层面：单目标、多目标 线性 非线性 整数规划 混合整数规划 0-1规划
算法层面：遗传算法 NSGA-II MOEA-D NSGA-III PSO 禁忌搜索 蚁群 模拟退火 差分进化
求解器层面：GurobI 杉树COPT pulp(CBC)
4.其他类
插值：三次样条插值
拟合：多项式拟合 高斯函数拟合 切比雪夫多项式拟合
图/路径优化：A* 迪杰斯特拉
异常处理：孤立森林 箱线图 3sigma
数据题常见建模思路：
多模选优，多个模型去比较选最佳模型完成预测任务
多模融合，如：ARIMA-LSTM stacking
单模优化 如：改进GA等
写在最后，做了很多的数学建模比赛，如果我评价数学建模，我只有一句话：**数学建模是一个在有效时间内通过三人协作、用数说理，最后提供解决方案的过程，说服力是第一位。**首先，数模是个合作项目，当然有些大佬喜欢单刷，但我并不喜欢也并不支持这种做法，数模的魅力之一就是短时间的集思广益，单刷个人觉得是没有意思的，我更加享受共同成长的喜悦，哪怕是共同吞下失败的苦果，一顿火锅就释然了，单刷拿奖只能吃碗猪脚饭喽。其次，咱们做的这件事情叫做数学建模，数学两字赫然，数据是源头，数学是我们的工具，模型是我们的载体。一定要从数据出发，例如使用那些机器学习模型，绞尽脑汁优化模型不如好好从数据出发做好特征工程。咱的目的是为待解决的问题提出一个能够说服别人的方案。注意，不是要解决问题，而是提供一个有效方案，我说这句话是想让一些同学放下一些执念，觉得我建的模型一定到从生活出发，到生活中去，那要咱的模型假设干啥捏。最后，总有人问我为什么我模型用的很难，或者我整体做的很顺但是没有获奖，那是因为你没有带入评审视角，这里你甚至可以带入社畜视角。那么多的论文总有的要被标上"平庸"的标签，为什么平庸，其实就是没有亮点，有的大神会吐槽美赛太注重画图，太要美了，但是想想，呈现的精美就是一种亮点，归根到底是在用精美的可视化去说服评委，这是正确的竞争姿态！因为，这是一个提供解决方案的事情，如果你是甲方爸爸，选方案的时候只要有亮点抓住你，大概率就会让他多看几眼，几眼就够了其实。同样，说服别人的时候咱也不能太炫技，只能说投入和收益不一定成正比，例如深度学习在美赛没有太受欢迎。