数学建模实验全流程：从数据清洗到回归分析与报告

简介：昆明理工大学数学建模实验2报告以PDF格式提供，聚焦线性规划在广告投放决策中的应用。该实验基于一家广告公司的有限预算，在电视（白天/最佳时间）、无线电广播和杂志之间分配投放次数，需要满足总费用不超过800千元、女性顾客至少2000千名、电视白天至少3次且最佳时间至少2次、广播与杂志投放5至10次等约束，目标是最大化招徕顾客总数。报告完整展示从问题背景、符号说明、模型建立到MATLAB求解的流程，包含实验目的、环境、源程序、运行结果截图与结果分析，调用linprog函数设置目标系数、约束矩阵和边界，求得最优方案为白天电视3次、最佳时间电视2次、无线电广播10次、杂志广告10次，最大顾客数达10000千人。包体为单个PDF文件、158KB，内容紧凑，适合数学建模课程学生、线性规划初学者及MATLAB用户参考，既能理解建模思路与编程实现，也可作为实验报告范例。目前已有350人学习下载。

1. 数学建模+实验2.pdf：PDF里装的不只是论文，而是一条完整建模实验链路

拿到《数学建模+实验2.pdf》这份材料时，很多人的第一反应是找代码模板或现成答案。但真正决定一份实验报告分数的，是你能不能把题目拆成一个可执行的建模闭环：问题理解、数据读取、预处理、模型选择、参数调整、结果验证，最后用规范的论文格式呈现。这份PDF看起来是一次作业，实际是把数模竞赛中最完整的二次实验环节打包给你。它适合三类人：第一次参加数模竞赛的新手、正被实验课报告卡住的学生，以及想建立一套“建模SOP”来减少返工的熟手。

2. 建模实验第一步：把题目拆成能动手的实验方案

2.1 数模实验里的“实验”，和物理实验不是一回事

物理实验是验证一个已知的物理定律，实验步骤和标准结论往往写在教材里。数学建模里的“实验”完全不同：题目只给你一个问题描述和一批数据，没有人告诉你该用哪个模型，更没有标准答案可供比对。

我带的组里有个普遍误区：拿到题目就开跑代码。结果通常是要么花了几个小时写出一个跑不通的脚本，要么模型能出数但不知道下一步该干什么。实验2这类作业的设计意图，恰恰是让你完整走一遍“假设—建模—求解—验证—汇报”的链路，而不是只交一个数字。

所以在写第一行代码之前，我会强迫自己先回答三个问题：题目到底在问什么？数据能支撑什么样的答案？最终交付物是什么形态？这三个答案直接决定了你接下来三天的工作量。

2.2 用问题拆解表把题目转成变量、数据和交付物

把题目变成可执行任务，我用的工具是一张“问题拆解表”。不需要任何软件，一张纸或者一个表格就行。核心是把题面里的每一句要求，映射成变量、数据来源和输出产物。

以某高校课程里一个典型的实验2题目为例：题目给出某区域商品价格与销量的观测数据，要求分析价格对销量的影响，并给出量化结论。用拆解表处理后，问题变成这样：

这张表的价值在于：它把“分析价格对销量的影响”这种开放问题，变成了“跑回归、看系数、写结论”三个明确动作。学生照着表推进，至少不会出现模型做完了却不知道要写什么的尴尬。

2.3 方法选型：回归、规划、仿真为什么不能混着用

问题拆解完之后，下一步是选方法。很多新手最大的困惑是：看到数据里有几十个变量，就想着“用神经网络总没错”。但实验2的评分重心通常不在模型多高级，而在方法选得是否合理、假设是否说清楚。

我一般按题目类型做快速判断：题目问“是多少、什么关系”时，走回归或分类；问“怎么安排最优”时，走线性规划或整数规划；问“系统在什么条件下会怎样演变”时，才考虑仿真。把这三类方向混着用是最常见的翻车原因——见过有组把单纯的最优库存问题硬套回归模型，结果只能强行解释，结论没一个站得住。

方法选型不需要一次到位，但至少要选出方向，并在实验方案里写清楚理由。后续求解遇到困难再降级，比如从多项式回归退到线性回归，都比来回换方向要省时间。

2.4 实验方案模板：花30分钟写方案省3小时返工

方案模板我已经固定用了一年多，六个部分，每部分两三句话即可：

1. 问题重述：用自己的话把题面转述一遍，确认理解正确；
2. 假设清单：列出你为了让模型成立所做的假设，比如“销量不随时间周期波动”；
3. 数据字典：说明每个字段的含义、单位、取值范围；
4. 方法流程：按“读取—清洗—建模—验证—输出”写清楚每一步用什么方法；
5. 预期输出：明确最终要得到哪些数字、图表和结论；
6. 风险点：提前标出可能出问题的地方，比如数据缺失严重、多重共线性等。

计划本身用Markdown或Word都行，关键是写完后要能让你在两天后看着它继续干活，而不是靠记忆。实践下来，花30分钟写这个方案，通常能省下至少3小时的返工时间，这比任何建模技巧都值钱。

3. 数据准备与清洗：实验2里一半的翻车发生在这里

3.1 读入数据后的第一件事：核对结构而不是马上建模

数据读入是区分新手和老手的第一道分水岭。新手读入CSV后直接丢进模型；老手会在建模前先回答：数据有多少行、多少列，各列类型是什么，缺失值有多少，量纲差异大不大。这一步花了10分钟，但能避免后面两小时对着报错发呆。

我一般用一段固定的检查脚本起手：

import pandas as pd df = pd.read_csv("data.csv", encoding="gbk") print("数据维度:", df.shape) print("字段类型:\n", df.dtypes) print("缺失值统计:\n", df.isnull().sum())

这段代码前三行分别解决三个问题：数据维度告诉你样本量够不够；字段类型帮你发现有没有把数值列读成字符串、有没有日期列被当成普通对象；缺失值统计直接决定了下一步清洗策略。encoding参数的坑最隐蔽，很多课程数据是用Excel导出的，编码常常是gbk而不是utf-8。如果读入时报错或出现乱码，优先换encoding参数比改数据文件更快，常见做法是依次试“utf-8”“gbk”“latin1”。

3.2 缺失值与异常值处理：先定边界，再写代码

缺失值处理没有固定规则，但有可用的经验边界。我常用的判断标准是：缺失率低于5%且缺失模式随机，直接删除对应行；缺失率在5%到30%之间，优先用中位数或众数填充；超过30%，要考虑这个特征是否还值得保留。

删除和填充的区别在于信息损失。随机删除少量样本影响很小，但强行填充大量缺失会让后续统计检验失真。填充代码如下：

# 数值列用中位数填充，避免被少数极端值带偏 num_cols = df.select_dtypes(include="number").columns df[num_cols] = df[num_cols].apply(lambda x: x.fillna(x.median())) # 类别列用众数填充 cat_cols = df.select_dtypes(include="object").columns df[cat_cols] = df[cat_cols].apply(lambda x: x.fillna(x.mode()[0] if len(x.mode()) > 0 else "unknown"))

数值列用中位数而不是均值，是因为均值对异常值敏感，一个极端大数会把均值拉高，进而污染填充值。类别列则用众数，表示“大多数样本是什么就补什么”。之后要做异常值检查，常用的IQR规则是：

Q1, Q3 = df["sales"].quantile([0.25, 0.75]) iqr = Q3 - Q1 lower, upper = Q1 - 1.5 * iqr, Q3 + 1.5 * iqr df = df[(df["sales"] >= lower) & (df["sales"] <= upper)]

1.5倍IQR是一个经验值，不是数学定理。如果业务上确认某类波动是正常的，比如节假日销量暴增，就应该把倍数放宽到2或3，而不是机械地删掉真实信号。实际处理时要先看业务含义，再动手删数据。

3.3 归一化与特征构造：哪些处理必须做，哪些纯属玄学

归一化是另一个容易走极端的环节。线性回归、逻辑回归、以及带正则项的模型，对特征量纲非常敏感；而决策树、随机森林这类树模型对量纲不敏感，做不做归一化影响不大。先想清楚自己用哪类模型，再决定要不要归一化。

from sklearn.preprocessing import MinMaxScaler, StandardScaler # MinMaxScaler 把数据压到 [0,1]，适合分布无明显长尾的变量 minmax_scaler = MinMaxScaler() x_minmax = minmax_scaler.fit_transform(x) # StandardScaler 把数据变为均值0、方差1，适合后续配合正则化 std_scaler = StandardScaler() x_std = std_scaler.fit_transform(x)

两者选择的逻辑不复杂：如果特征分布接近均匀或正态，用StandardScaler更稳；如果特征取值范围固定、不希望引入负数，用MinMaxScaler更合适。注意fit_transform只能用在训练集上，测试集的变换要用训练集拟合好的scaler去transform，一旦混用就会造成信息泄漏，这是血泪经验。

特征构造则容易陷入“越多越好”的误区。盲目加平方项、交互项，大概率得到一个训练集完美、测试集垮掉的模型。我一般只做从业务含义出发的特征，比如价格本身就带有“价格弹性”的业务含义，构造价格对数项是有理论依据的；而把两个无关变量强行相乘，就是玄学。

4. 最小二乘回归的建模求解：从模型设定到参数调优

4.1 模型设定：为什么先跑线性模型再用正则加约束

很多实验2的题目落到最后就是一个回归问题。面对回归，我坚持“先用最简单模型跑通，再逐步加复杂度”的原则。原因有二：第一，线性模型的可解释性强，每个系数都能直接对应题目里的业务变量，方便在报告里写分析；第二，简单模型出问题容易排查，至少能判断是数据问题还是方法问题。

模型设定阶段要明确三件事：谁是因变量、谁是自变量、打算验证什么关系。比如研究价格对销量的影响，因变量是销量，自变量是价格及构造特征；假设关系是线性的就直接用普通最小二乘，拿结果判断系数是否显著再决定是否升级。

对实验报告而言，一个系数符号与经济意义一致的线性回归，远比一个拟合优度更高但完全无法解释的黑匣子模型得分高。这也是数模竞赛与机器学习比赛的关键区别：竞赛看重“可解释地解决问题”，而不是单纯压测试集误差。

4.2 用Python完成拟合与交叉验证：命令、参数与输出解读

在线性模型家族里，我常用Ridge（岭回归）做默认选择。它比普通最小二乘多了一个L2正则项，能在特征之间存在相关性时稳定系数估计。下面是完整流程：

import numpy as np from sklearn.linear_model import Ridge from sklearn.model_selection import cross_val_score, KFold from sklearn.preprocessing import StandardScaler # 先归一化，再做回归 scaler = StandardScaler() X_scaled = scaler.fit_transform(X) # 初始化模型与5折交叉验证 model = Ridge(alpha=1.0) kfold = KFold(n_splits=5, shuffle=True, random_state=42) # 用负均方误差打分，cross_val_score的约定是“越大越好” scores = cross_val_score(model, X_scaled, y, cv=kfold, scoring="neg_mean_squared_error") rmse_scores = np.sqrt(-scores) print("RMSE均值:", rmse_scores.mean()) print("RMSE标准差:", rmse_scores.std())

三个参数需要重点理解：alpha是正则强度，越大系数越被压缩，默认1.0通常是个相对稳妥的起点；shuffle=True表示在切分前打乱样本顺序，这能避免数据原本按某种顺序排列造成的有偏划分；random_state=42固定了随机种子，保证每次运行结果一致，这是可复现的基础——没有它，同一份代码跑两遍得到两个数字，报告里都没法写。

cross_val_score用neg_mean_squared_error作为打分，取负号后变成正数就是均方误差。RMSE的均值反映模型整体预测能力，标准差反映稳定性。如果均值很低但标准差很大，说明模型在不同数据子集上表现波动明显，这往往比均值稍高但标准差不大的模型更不可靠。

4.3 残差分析与误差指标：怎么判断模型到底合不合格

拟合完模型后，新手看R²，老手看残差图。R²只回答问题“模型解释了总变异的多少”，但它不能暴露非线性、异方差等结构性问题。残差分析能补齐这块短板：

import matplotlib.pyplot as plt model.fit(X_scaled, y_train) pred = model.predict(X_scaled_test) resid = y_test - pred plt.scatter(pred, resid, alpha=0.6) plt.axhline(y=0, color="red", linestyle="--") plt.xlabel("预测值") plt.ylabel("残差") plt.title("残差图")

残差图有几种典型形态：残差随机地分布在零线上下，说明模型基本可靠；残差随预测值增大而发散成漏斗状，提示存在异方差；残差呈现弯曲的弧形，说明漏掉了一个非线性项。看到后两种形态，直接升阶或加交互项往往比强行调alpha更有效。

误差指标的判断要结合业务场景，用下面的表可以快速定位重点：

三个指标一起看，能避免单看R²带来的误判。实操建议是：报告里列出RMSE和R²两个值，再用残差图佐证模型形态，这就足够应付绝大多数实验2的评分标准了。

5. 建模实验常见坑与排查：五个高频扣分点逐个拆解

5.1 回归跑出来R²是负的，问题常出在数据检查

现象：模型训练完，R²输出是个负数，或者各个指标全是NaN。

原因：最常见的是数据里有缺失值没有处理，线性回归的内部求解器遇到NaN会直接失败或给出无意义结果。其次是异常值没有被清洗，几万个正常数据里混着几个极端值，足以把回归线拉歪。

解决：回到第3章的起手脚本，先看df.isnull().sum()确认缺失情况，再跑一次异常值IQR过滤。做完这两步再重新拟合，90%以上的负R²问题都会消失。如果清洗后仍为负，才考虑是不是模型形式选错。

5.2 时间序列被随机切分，模型提前“偷看”了未来

现象：交叉验证时RMSE很低，但把模型放到实际场景里预测，效果明显差一个量级。

原因：数据是时间序列，交叉验证却用了shuffle=True随机切分。随机打乱后，训练集里混进了“未来”样本，测试集里混进了“过去”样本，模型在测试时等于参考答案在书上，自然分数漂亮。这是实验报告里最隐蔽的数据泄漏形式。

解决：时间型数据改用TimeSeriesSplit切分，或者手动按时间顺序前80%训练、后20%测试。交叉验证只保证在“随机且同分布”的前提下有效，时间序列天然不满足这个前提。这一点在报告的方法说明里提一句，能让评分人看到你做了功课。

5.3 特征量纲差100倍，正则项等于白加

现象：Ridge回归加了alpha之后，系数依旧忽大忽小不稳定，换个随机种子结果就变了。

原因：特征没有归一化。当某个特征的数值范围是0到1，另一个特征的范围是0到10000时，正则项会不均匀地压缩系数，导致小量纲特征被过度惩罚、大量纲特征几乎不受限制。这时加正则和没加差不多。

解决：在拟合前对特征做StandardScaler标准化，再喂给Ridge。标准化之后所有特征同处一个尺度，正则项的惩罚才会真正作用于所有变量。这也是第4章流程里“先Scaler再fit”的原因，顺序错一步，结果就不对。

5.4 训练集很香测试集翻车，过拟合信号被忽略

现象：训练集RMSE只有0.05，测试集RMSE是0.8，交叉验证的五折分数参差不齐。

原因：特征太多、样本太少，或者构造了无业务含义的高次项。模型把训练集的噪声当成规律学会了，换个数据集立刻暴露。

解决：先砍特征，把多项式阶数降回线性，再看交叉验证的标准差。标准差大说明模型不稳定，优先调大alpha增强正则，而不是增加模型复杂度。如果砍完之后训练误差和测试误差都在可接受范围内，这个模型才具备基本可用性。更严格的验证可以再做一次“留一法”，代价是计算时间变长，但实验报告里写出来非常加分。

5.5 图表的编号和正文引用对不上，报告直接被打回

现象：正文写“结果见表2”，评审翻到表2发现是另一张表；图3的标题写的是图2的内容。

原因：手工编号最容易出错。写报告时插入了新图，后面的编号忘记整体刷新，或者删掉一章后引用没有同步更新。这个问题和建模水平无关，但造成的印象分损失比模型效果差还严重。

解决：用带交叉引用的编辑器写报告，比如Markdown配合自动编号插件，正文引用和图表编号绑定在一起，改插图为不自动错号。交付前的最后一小时，不要做任何建模调参，只做一件事：从头到尾顺一遍所有图表编号与正文引用，逐一核对。养成这个习惯能救回不少分。

6. 从能跑通到能拿分：报告结构与复现自检技巧

6.1 六段式报告结构：每一段写什么、写多长

实验2的报告不一定是有厚厚封面的论文，但结构必须完整。我用的六段式结构可以适配大多数课程实验：

评分人最看重的是“模型建立与求解”和“验证与误差分析”两块。公式写明白、参数写清楚、指标和残差图放出来，报告的基本盘就稳了。前两段别写太多，见过一半篇幅写背景介绍的，最后没时间去讲模型，只能得不偿失。

6.2 交付前的复现自检：三个月后还能一键跑通

交付前我会强制自己做一次“复现自检”：把代码、数据、说明文件放进同一个命名规范的目录里，清掉代码中所有绝对路径记录环境版本与随机种子。隔一天在干净目录里重新跑一遍，跑不通就修到能跑为止。这比临时检查代码要可靠得多，因为你自己写的时候知道依赖关系，等过一天再跑才会暴露出“缺了某一步预处理”的问题。

我现在的习惯是把这份复现自检当作实验报告的一个组成部分。吃过太多亏之后才明白，数模实验2真正考核的并不是你会不会调某个库的参数，而是你能否让自己的模型、代码和结论经得起别人按你的步骤再走一遍。希望帮到你。

本文还有配套的精品资源，点击获取