层次分析法

适用

评价类问题（打分）
例：旅游目的地选择，考虑多方因素

做法

确定目标层，准则层，方案层
制定判断矩阵
计算一致性指标进行一致性检验
计算权重并归一化
{
    算术平均
    几何平均
    特征值法
}
汇总结果计算得分

局限性

评价的决策层不能太多，太多的话n会很大，判断矩阵和一致矩阵差异
可能会很大.

TOPSIS法(优劣解距离法)

适用

对对象各方面参数进行衡量，对对象进行评价
例：有几个人的成绩和人品参数，对这几个人进行综合评价

做法

构造评分
统一指标类型（正向化，标准化）
计算得分并归一化
带权重的：用层次分析法或熵权法确定权重

插值法

适用

进行分析时，数据量不足以支持分析，产生一些靠谱的数据插入
短期预测

做法

多项式法：
    生成n次多项式经过所有的点
    缺点：高次多项式产生ronge现象，在首尾处误差较大
分段插值：
    分段二次插值
    分段三次插值：
        Hermite插值法
    三次样条插值    
三角插值

拟合算法

用法

拟合的结果是得到一个确定的曲线，尽管这条曲线不能经过每一个样本点，但只要保证误差足够小即
可

做法

最小二乘法，计算拟合优度

典型相关分析

图

用法

计算最短路径

多元回归

线性回归

最小二乘法

逻辑回归

解决二分类问题（梯度下降）
多分类问题：Fisher线性判别分析，逻辑回归

灰色预测模型

用法

（1）数据是以年份度量的非负数据（如果是月份或者季度数据一定要用我们上一讲学过的时间序列模型）
（2）数据能经过准指数规律的检验（除了前两期外，后面至少90%的期数的光滑比要低于0.5）
（3）数据的期数较短且和其他数据之间的关联性不强（小于等于10，也不能太短了，比如只有3期数据），要是数据期数较长，
 一般用传统的时间序列模型合适

做法

（1）看到数据后先画时间序列图并简单的分析下趋势（例如：我们上一讲学过的时间序列分解）
（2）将数据分为训练组和试验组，尝试使用不同的模型对训练组进行建模，并利用试验组的数据判断哪种模型的预测效果最好（比如我们可以使用SSE
 这个指标来挑选模型，常见的模型有指数平滑、ARIMA、灰色预测、神经网络等）
（3）选择上一步骤中得到的预测误差最小的那个模型，并利用全部数据来重新建模，并对未来的数据进行预测