2025年第十五届APMCM亚太地区大学生数学建模竞赛（中文赛项）C题解题思路（ChatGPT版）

包含全部问题分析和第一问具体代码建模 

✅ 总体任务概述

使用Iris数据集中前两类花（Setosa和Versicolor），通过以下流程实现分类：

1. 构建若干个基于简单规则的弱分类器；

2. 将分类任务形式化为一个 QUBO模型；

3. 使用**Kaiwu SDK（模拟退火器）**求解，得到最终分类器，并进行性能分析。

🧩 问题1：数据预处理与弱分类器构建

🔹步骤1：加载与预处理

• 使用Iris数据集中Setosa (0) 和 Versicolor (1) 两类，共100个样本。

• 每个样本4个特征：

  • sepal length（萼片长度）

  • sepal width（萼片宽度）

  • petal length（花瓣长度）

  • petal width（花瓣宽度）

🔹步骤2：预处理建议

• 标准化（如 Z-score：mean=0, std=1）或归一化（0-1）

• 随机划分训练集与测试集，如 80/20 分

🔹步骤3：弱分类器设计

• 构造 MMM 个基于简单规则的弱分类器，例如：

  • 单特征 + 阈值（如：petal length > 2.5 → 类别1，否则类别0）

  • 两个特征组合的线性规则（如：a·feature1 + b·feature2 > threshold）

• 将每个弱分类器输出转化为 {−1,+1}\{-1, +1\}{−1,+1}

• 记录每个分类器在训练集上的准确率

🧩 问题2：QBoost建模与QUBO转化

🔹QBoost思想

• 与传统Boosting不同，QBoost将弱分类器的选择转化为一个 QUBO问题（Quadratic Unconstrained Binary Optimization）。

• 每个弱分类器是否被选中由一个二进制变量 zj∈{0,1}z_j \in \{0, 1\}zj​∈{0,1} 表示。

🔹目标函数设计

• 最小化分类误差 + 正则化项（避免过拟合，限制选择分类器数量）：

min⁡z∥y−∑j=1Mzj⋅hj(x)∥2+λ⋅∑j=1Mzj\min_{\mathbf{z}} \left\| \mathbf{y} - \sum_{j=1}^M z_j \cdot h_j(\mathbf{x}) \right\|^2 + \lambda \cdot \sum_{j=1}^M z_jzmin​​y−j=1∑M​zj​⋅hj​(x)​2+λ⋅j=1∑M​zj​

其中：

• y∈{−1,1}N\mathbf{y} \in \{-1, 1\}^Ny∈{−1,1}N 是训练样本的真实标签；

• hj(x)h_j(\mathbf{x})hj​(x) 是第 j 个弱分类器的预测结果；

• zj∈{0,1}z_j \in \{0, 1\}zj​∈{0,1} 是变量（是否选择该分类器）；

• λ\lambdaλ 是正则化参数。

🔹转换为QUBO形式

目标函数变换为标准 QUBO 形式：

min⁡z z⊤Qz+c⊤z\min_{\mathbf{z}} \ \mathbf{z}^\top Q \mathbf{z} + \mathbf{c}^\top \mathbf{z}zmin​ z⊤Qz+c⊤z

• QQQ 为二次项矩阵；

• ccc 为一次项向量；

• 由误差平方项和正则项组合得到。

🧩 问题3：求解与模型评估（使用Kaiwu SDK）

🔹模拟退火求解

• 使用 Kaiwu SDK（量子模拟平台）提供的模拟退火器；

• 输入构建好的 QUBO 参数 QQQ、ccc，得到最优解 z∗\mathbf{z^*}z∗；

• 得到被选中的弱分类器集合。

🔹模型分析

• 分析所选分类器的特征、阈值、组合逻辑；

• 比较训练集与测试集的准确率；

• 可进一步使用指标如：

  • 精确率（Precision）、召回率（Recall）、F1 分数；

  • 混淆矩阵；

  • ROC/AUC曲线（如果有必要）

🧪 实验与性能分析建议

• 对不同正则参数 λ\lambdaλ 进行实验对比；

• 分析弱分类器数量与准确率的关系；

• 验证是否过拟合（训练集高准确但测试集下降）；

• 可尝试扩展特征工程（如PCA降维、特征交叉）观察效果变化。

 第一问建模

🧩 步骤1：数据加载与预处理

📌 内容：

• 加载Iris数据集（sklearn.datasets.load_iris()）

• 选取前两类数据（Setosa 和 Versicolor）

• 特征标准化（Z-score）

• 划分训练集与测试集（如 80%:20%）

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
import numpy as np
import pandas as pd

# 加载数据
iris = load_iris()
X = iris.data
y = iris.target

# 只保留 Setosa（0） 和 Versicolor（1）
X = X[y < 2]
y = y[y < 2]

# 标签映射为 {-1, 1}
y = np.where(y == 0, -1, 1)

# 标准化
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 划分训练和测试集
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42)

print("训练集样本数：", len(X_train))

🧩 步骤2：弱分类器设计

📌 弱分类器定义：

使用以下两种方法生成 MMM 个弱分类器：

1. 单特征+阈值型：feature_j > t 判定为 +1 否则为 -1

2. 两个特征线性组合：a * feature_j + b * feature_k > t 判定为 +1 否则为 -1

我们可以枚举所有特征组合与多个阈值，构造出一组简单分类器。

def generate_weak_classifiers(X, num_thresholds=5):
    n_samples, n_features = X.shape
    classifiers = []
    thresholds = np.linspace(-2, 2, num_thresholds)  # 选取几个常规阈值

    for feature_idx in range(n_features):
        for t in thresholds:
            def classifier(x, idx=feature_idx, threshold=t):
                return 1 if x[idx] > threshold else -1
            classifiers.append(classifier)

    return classifiers

# 构建弱分类器集合
weak_classifiers = generate_weak_classifiers(X_train)
print(f"弱分类器总数：{len(weak_classifiers)}")

 🧩 步骤3：记录每个弱分类器在训练集上的预测与准确率

def evaluate_classifiers(classifiers, X, y):
    n_classifiers = len(classifiers)
    n_samples = len(y)
    H = np.zeros((n_classifiers, n_samples))  # 记录每个分类器的预测结果

    accuracies = []
    for j, clf in enumerate(classifiers):
        predictions = np.array([clf(x) for x in X])
        H[j] = predictions
        acc = np.mean(predictions == y)
        accuracies.append(acc)

    return H, np.array(accuracies)

H_train, acc_train = evaluate_classifiers(weak_classifiers, X_train, y_train)

# 展示前5个分类器的准确率
for i in range(5):
    print(f"分类器 {i+1} 的训练准确率：{acc_train[i]:.2f}")

✅ 总结：问题1已完成内容