之后我会根据我的假设收集数据，然后分析数据，找到合适的数据模型，比如线性模型的话就线性回归，非线性模型的话就建立相应的非线性模型。然后通过模型创建，验证哪些假设是正确的，同时找出影响因素的影响。问题3: 数据车型是什么？数据(数据)是描述事物的符号记录。模型是现实世界的抽象。
4、数学 建模用什么方法从大量 数据中找出几个变量之间的数学函数关系回归分析法是可以的！所谓回归分析方法，就是在大量观察的基础上数据，用数理统计的方法建立因变量与自变量之间回归关系的函数表达式(称为回归方程)。在回归分析中，当因果关系只涉及因变量和一个自变量时，称为一元回归分析；当所研究的因果关系涉及因变量和两个或两个以上自变量时，称为多元回归分析。另外，在回归分析中，根据描述自变量与因变量因果关系的函数表达式是线性还是非线性，
5、 数据 建模的如何进行concept建模数据建模大致可以分为三个阶段:概念建模阶段，逻辑建模阶段和物理/123。概念建模和逻辑建模阶段与数据库厂商无关，换句话说就是MySQL、SQLServer和Oracle。Physical 建模 phase和数据 library厂商关系很大，因为不同厂商对同一功能的支持方式不同，比如高可用性、读写分离，甚至索引和分区。在概念建模阶段的实际工作中，概念建模阶段主要做了三件事:1。与客户沟通；2.了解需求；3.形成一个实体。这也是一个迭代。如果先有需求，尽量去了解需求，了解当前项目或软件需要完成什么，不清楚或不确定的地方及时与客户沟通。但很多时候我们需要先与客户沟通，然后将沟通结果落实到需求，再进一步具体化到实体；本文可能会涉及到EA(企业架构师7.1)建模(EA把每个实体看成一个包)的一些术语。
6、 数据仓库 数据 建模的几种思路数据Warehouse连接了两个典型的数据Warehouse建模theory:dimension建模以及基于主题域的实体关系建模。Dimension 建模由数据分析需求驱动，它主张总线架构:事实一致，维度一致。这个数据模型便于用户理解和数据分析操作。基于主题-领域的实体关系建模由源系统驱动数据，整合所有企业数据，从企业层面抽象整合数据，采用3NF实体关系理论/12344。这个数据 建模模型试图以更抽象的方式建立一个相对稳定的数据模型，能够描述企业级的数据关系。
上周主要讨论了基于主题域的实体关系整合建模China数据讨论了以下三个思路:同一主题域内不同实体的属性通过属性进行聚合。比如对于会员、公司、客户等实体对象，我们都有地址属性信息、姓名识别属性信息等等。这种思想是将属性内聚度高的字段进行整合，将不同的属性以带类型标识的树表形式存储。
7、数学 建模中有什么好的 数据处理方法,尤其是量大的 数据由lingo软件处理。首先将文件导入lingo，然后数据处理。你打算做统计吗？Spss是处理大量数据的强大统计软件。只要你把数据从excel导入spss，然后选择你想要的处理方式，软件会自动帮你解决。至于lingo，它是优化的好帮手，而且MATLAB虽然也有统计处理的功能数据，虽然没有spss那么强大，但是非常适合解微分方程。
8、数学 建模如何处理海量 数据我喜欢用EXCEL。你一定不知道，EXCEL比我们想象的有用多了，我以为有很多数学软件。我们当时是建模，导师用C和JAVA。我们用MATLAB，效果很好。也很简单，PS:重点是我C烂。更别说Java了，但是MATLAB真的很好用。画图也很简单，对于统计分析，可以用R软件导入，进行一般的数学处理，可以用比较流行的Matlab。
