MCM/ICM 数学建模工具箱 🏆

专为美国大学生数学建模竞赛 (MCM/ICM) 设计的一站式解决方案

---

✨ 特性亮点

模块	功能	说明
📊 可视化	顶刊级图表	Nature / Science / IEEE 风格模板
🤖 建模算法	机器学习	LightGBM / XGBoost / CatBoost / 神经网络
📈 统计分析	专业统计	假设检验 / 回归分析 / 生存分析
🔧 特征工程	自动化	30+ 维度特征自动生成
📝 论文写作	Prompt 模板	8 大类建模场景覆盖

🚀 快速开始

# 克隆项目
git clone https://github.com/zimingttkx/AmericaMathModel.git
cd AmericaMathModel

# 创建虚拟环境
python -m venv venv
source venv/bin/activate  # Windows: venv\Scripts\activate

# 安装依赖
pip install -r requirements.txt

📁 项目结构

AmericaMathModel/
├── prompts/                    # 📝 AI Prompt 模板库
│   ├── 01_可视化图表.md        # 数据可视化指南
│   ├── 02_数据处理.md          # 数据清洗与预处理
│   ├── 03_特征工程.md          # 特征构建方法
│   ├── 04_建模算法.md          # 算法选择与实现
│   ├── 05_模型评估.md          # 模型验证与评估
│   ├── 06_论文写作.md          # 论文撰写技巧
│   ├── 07_快速修复.md          # 常见问题解决
│   └── 08_美赛C题数据分析算法.md
│
├── visualization/              # 📊 可视化工具库
│   ├── publication_styles.py   # 顶刊论文样式 (Nature/IEEE/NeurIPS)
│   ├── advanced_templates/     # 高级图表模板
│   ├── matplotlib_templates/   # Matplotlib 模板
│   ├── seaborn_templates/      # Seaborn 统计图表
│   ├── plotly_templates/       # Plotly 交互式图表
│   └── networkx_templates/     # 网络图可视化
│
└── .factory/skills/            # 🤖 Droid AI 技能
    ├── mcm-modeling.md         # MCM 建模技能
    └── batch-writer.md         # 批量写入技能

🎯 核心功能

1. Prompt 模板库

针对数学建模全流程的 8 大 Prompt 模板：

数据处理 → 特征工程 → 建模算法 → 模型评估 → 可视化 → 论文写作

2. 顶刊级可视化

from visualization.publication_styles import apply_nature_style

# 一键应用 Nature 风格
apply_nature_style()
plt.plot(x, y)
plt.savefig('figure.png', dpi=300)

支持风格：

• 🔬 Nature - 自然科学顶刊
• 🔌 IEEE - 工程技术期刊
• 🧠 NeurIPS - 机器学习顶会

3. 统计分析工具

• 假设检验 (t-test, ANOVA, Chi-square)
• 回归分析 (线性/非线性/逻辑回归)
• 时间序列 (ARIMA, Prophet)
• 生存分析 (Kaplan-Meier)

📦 依赖环境

类别	包名
科学计算	numpy, scipy, pandas
可视化	matplotlib, seaborn, plotly
机器学习	scikit-learn
优化算法	pulp, cvxpy
统计分析	statsmodels, pingouin
图论网络	networkx
时间序列	prophet

📖 使用示例

数据分析流程

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestRegressor

# 1. 读取数据
df = pd.read_csv('data.csv', encoding='utf-8-sig')

# 2. 特征工程
X = df.drop('target', axis=1)
y = df['target']

# 3. 模型训练
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
model = RandomForestRegressor(n_estimators=100)
model.fit(X_train, y_train)

# 4. 模型评估
score = model.score(X_test, y_test)
print(f'R² Score: {score:.4f}')

🏅 适用赛题

• MCM Problem A - 连续型建模
• MCM Problem B - 离散型建模
• MCM Problem C - 数据洞察
• ICM Problem D - 运筹/网络优化
• ICM Problem E - 环境科学
• ICM Problem F - 政策建模

📄 License

MIT License - 自由使用，助力美赛！

---

⭐ 如果这个项目对你有帮助，请给一个 Star！