数学建模需要根据实际问题来确定条件和范围，通过对模型的求解，最终得出解决问题的方法。

当人们对一个定量的实际问题进行分析和讨论时，就需要对研究对象进行深入的挖掘和探索，根据得到的信息做出假设，联合实验内容进行分析，并通过数学的方法建立模型。

这是一种模拟现实事件各方面条件的实验，运用了数学知识，计算机程序，图表等方式，直观，可视化的表达事件的现状。它可以解释这些客观存在的现象，或能预测事件未来的发展曲线，或为事件模型做出优化，提供参考。数学模型的建立需要通过对事件各方面因素进行详细的分析，并结合可行的数学知识，将实践与理论结合，从实际实例中抽象，提取出数学模型，这就是所谓的数学建模。

它要求我们了解实际背景，明确模型建立是否有意义，获取对象的关键信息。用数学的逻辑思维来考虑问题。

本文运用了聚类分析的算法对文中归纳出的影响因素作分类处理。这种将现实或抽象的实例的集合区分为由类似的对象组成的多个类型称之为聚类分析。聚类分析的目的就是将具有相似性的数据通过分类整合到一起。聚类来源于很多不同的领域，这其中有计算机科学，多元统计，西方经济学等等。在面临不同种类的问题时，聚类相关技术得到了很大的提升，这些技术被用来衡量不同种类的对象数据，对它们的相似性做研究，并将其分配到各个簇里。

与分类不一样的地方在于，聚出的类都是未知的。聚类的过程在于反复将数据归类到接近的区域，因此相同簇中的实例一定在某些特征上具有相似性，而不同簇之间的实例在这些特点上差异较大。如果我们从统计学的角度来看，聚类分析就是在数学建模的基础上分类数据的一种算法。聚类分析的统计方法包括系统聚类法，加入法，动态聚类法，模糊聚类等等。可以用K-Means等算法来对具体问题进行建模分析。

而从机器学习的方面来讨论，簇就是隐藏模式。聚类分析就是分类簇的无监督学习过程。不同于分类的是，无监督学习不需要提前设定类或实例，它要的是聚类算法自行通过循环确定特性。这属于观察式学习方式。它是一种探索性极强的算法，在划分不同类型的数据时，不需要我们先去界定一个分类的标准，算法能自行从样本数据中提取分类信息并完成工作。由于初始从数据样本中随机提取聚类中心，会导致得出的结论不相同，所以进行相同的操作最终得到的聚类数据往往会不一样。

在实际的应用中，数据挖掘的主要工具就是聚类分析。它能通过循环独立的获取数据的不同类型，并从中观察每一簇的特征，通过分析后，对最具有研究意义的簇进行单独的分析。

如果说聚类分析是对不同种类的数据进行划分的话，那么就需要一个最终能够解决问题的方法，这就需要构建多元线性回归。

在市场经济的活动中，时常会有同时受制于多个变量的事件，我们需要预测其发展或者研究它的变化规律，也就是因变量收到多个自变量控制的多元未知方程，并且很多时候无法通过直观的数据反映出系数的重要程度，这时我们就需要通过算法得出相对应的系数，这可以直观的反映各个变量在回归模型中的关键程度。

回归分析的优点在于研究多变量模型时简单方便，只要采用了相同的数据模型，通过标准的数学统计方法就可以得出唯一的结果，如果用图表的形式来体现，我们就可以获取不同的，直观的曲线图。而缺点在于，需要事先推测假设回归因子，这可能会导致数据产生偏差。

一．数据处理

1.1数据集