99999久久久久久亚洲,欧美人与禽猛交狂配,高清日韩av在线影院,一个人在线高清免费观看,啦啦啦在线视频免费观看www

<pre id="phxwf"></pre>

熱線電話：13121318867

登錄

CDA121077

什么是波士頓矩陣模型？

波士頓矩陣模型：是對(duì)產(chǎn)品進(jìn)行分類示范圖如下：市場(chǎng)占有率：為企業(yè)實(shí)力。銷售增長(zhǎng)率：為市場(chǎng)需求。兩者可根據(jù)實(shí)際需求改動(dòng)明星產(chǎn)品:市場(chǎng)占有率和銷售增長(zhǎng)率同時(shí)大于閾值的產(chǎn)品【保持現(xiàn)狀，可加大投資以支持其迅速發(fā)展】現(xiàn)金牛產(chǎn)品：市場(chǎng)占有率高于閾值，銷售增長(zhǎng)率低于閾值的產(chǎn)品【建議增加所屬產(chǎn)品附加價(jià)值促進(jìn)消費(fèi)】問(wèn)題產(chǎn)品：市場(chǎng)占有率低于閾值，銷售增長(zhǎng)率高于閾值的產(chǎn)品【建議

127.3127

3

0

0

關(guān)注作者

收藏

申宗康

明確需求：（因變量Y）數(shù)據(jù)清洗：（重復(fù)值、缺失值、異常值、數(shù)據(jù)編碼）變量篩選：（業(yè)務(wù)、相關(guān)分析（看相關(guān)系數(shù)和散點(diǎn)圖）、逐步回歸）分割、測(cè)試機(jī)、訓(xùn)練集（預(yù)測(cè)）回歸：（F檢驗(yàn)（檢驗(yàn)?zāi)Ｐ停?、t檢驗(yàn)（檢驗(yàn)各個(gè)變量）、R^2(如果是多元線性回歸的話再看調(diào)整后的R^2)）模型調(diào)優(yōu)：考慮線性性、共線性、內(nèi)生性、（殘差的序列相關(guān)性、正態(tài)性和同方差）繼續(xù)優(yōu)化：（季節(jié)變量、高次項(xiàng)、交互項(xiàng)、啞變量）模型測(cè)試：測(cè)試集

271.7841

7

0

0

關(guān)注作者

收藏

申宗康

三類相關(guān)系數(shù)

皮爾遜相關(guān)系數(shù)（pearson）:一般計(jì)算兩個(gè)連續(xù)型變量的相關(guān)系數(shù)肯德?tīng)栂嚓P(guān)系數(shù)（kenddl）:一個(gè)連續(xù)性一個(gè)分類型斯皮爾曼相關(guān)系數(shù)（spearman）：兩個(gè)變量，不論是連續(xù)型還是分類型都可，但盡量不要用斯皮爾曼相關(guān)系數(shù)，因?yàn)樗欠菂?shù)的，會(huì)損失信息。

85.3070

6

0

0

關(guān)注作者

收藏

申宗康

假設(shè)檢驗(yàn)

懷疑什么，什么就做原假設(shè)。第一類錯(cuò)誤（棄真錯(cuò)誤）：原假設(shè)為真時(shí)拒絕了原假設(shè)。第二類錯(cuò)誤（取偽錯(cuò)誤）：原假設(shè)為為假時(shí)接受了原假設(shè)。假設(shè)檢驗(yàn)流程：提出原假設(shè)H0確定適當(dāng)?shù)臋z驗(yàn)統(tǒng)計(jì)量規(guī)定顯著水平計(jì)算檢驗(yàn)統(tǒng)計(jì)量的值做出統(tǒng)計(jì)決策

85.3021

6

0

0

關(guān)注作者

收藏

Adams小乙

統(tǒng)計(jì)分析——RFM模型

最近一次消費(fèi)最近一次消費(fèi)意指上一次購(gòu)買的時(shí)候。理論上，上一次消費(fèi)時(shí)間越近的顧客應(yīng)該是比較好的顧客，對(duì)提供即時(shí)的商品或是服務(wù)也最有可能會(huì)有反應(yīng)。營(yíng)銷人員若想業(yè)績(jī)有所成長(zhǎng)，只能靠偷取競(jìng)爭(zhēng)對(duì)手的市場(chǎng)占有率，而如果要密切地注意消費(fèi)者的購(gòu)買行為，那么最近的一次消費(fèi)就是營(yíng)銷人員第一個(gè)要利用的工具。歷史顯示，如果我們能讓消費(fèi)者購(gòu)買，他們就會(huì)持續(xù)購(gòu)買。這也就是為什么，0至6個(gè)月的顧客收到營(yíng)銷人員的溝通信息多于31

108.4091

6

0

0

關(guān)注作者

收藏

Adams小乙

數(shù)據(jù)分析——推薦算法

推薦算法是計(jì)算機(jī)專業(yè)中的一種算法，通過(guò)一些數(shù)學(xué)算法，推測(cè)出用戶可能喜歡的東西，應(yīng)用推薦算法比較好的地方主要是網(wǎng)絡(luò)。所謂推薦算法就是利用用戶的一些行為，通過(guò)一些數(shù)學(xué)算法，推測(cè)出用戶可能喜歡的東西。推薦算法的研究起源于20世紀(jì)90年代，由美國(guó)明尼蘇達(dá)大學(xué)GroupLens研究小組最先開(kāi)始研究，他們想要制作一個(gè)名為Movielens的電影推薦系統(tǒng)，從而實(shí)現(xiàn)對(duì)用戶進(jìn)行電影的個(gè)性化推薦。

39.8327

5

0

0

關(guān)注作者

收藏

Adams小乙

統(tǒng)計(jì)學(xué)習(xí)——數(shù)據(jù)賦能

數(shù)字賦能的五個(gè)階段分別是業(yè)務(wù)監(jiān)控、業(yè)務(wù)洞察、業(yè)務(wù)優(yōu)化、洞察變現(xiàn)和業(yè)務(wù)轉(zhuǎn)型。如今是一個(gè)大數(shù)據(jù)時(shí)代，數(shù)據(jù)是很重要的信息，業(yè)務(wù)監(jiān)控主要是收集用戶數(shù)據(jù)、產(chǎn)品數(shù)據(jù)、運(yùn)營(yíng)數(shù)據(jù)等，形成報(bào)告或者報(bào)表。業(yè)務(wù)洞察是根據(jù)數(shù)據(jù)分析結(jié)論，對(duì)潛在客群，產(chǎn)品運(yùn)營(yíng)進(jìn)行洞察。業(yè)務(wù)優(yōu)化是根據(jù)分析結(jié)果，優(yōu)化關(guān)鍵業(yè)務(wù)節(jié)點(diǎn)和流程引擎，在每個(gè)交易節(jié)點(diǎn)上降低成本、提升效率。洞察變現(xiàn)是根據(jù)對(duì)用戶、產(chǎn)品、運(yùn)營(yíng)的洞察，尋找到用戶變現(xiàn)、產(chǎn)品變現(xiàn)以及渠

21.7876

3

0

0

關(guān)注作者

收藏

Adams小乙

統(tǒng)計(jì)學(xué)習(xí)——數(shù)據(jù)清洗

數(shù)據(jù)清洗是指發(fā)現(xiàn)并糾正數(shù)據(jù)文件中可識(shí)別的錯(cuò)誤的最后一道程序，包括檢查數(shù)據(jù)一致性，處理無(wú)效值和缺失值等。與問(wèn)卷審核不同，錄入后的數(shù)據(jù)清理一般是由計(jì)算機(jī)而不是人工完成。數(shù)據(jù)清洗(Data cleaning)– 對(duì)數(shù)據(jù)進(jìn)行重新審查和校驗(yàn)的過(guò)程，目的在于刪除重復(fù)信息、糾正存在的錯(cuò)誤，并提供數(shù)據(jù)一致性。數(shù)據(jù)清洗從名字上也看的出就是把“臟”的“洗掉”，指發(fā)現(xiàn)并糾正數(shù)據(jù)文件中可識(shí)別的錯(cuò)誤的最后一道程序，包括檢查

21.7835

2

0

0

關(guān)注作者

收藏

Adams小乙

統(tǒng)計(jì)學(xué)習(xí)——顯著性

顯著性，又稱統(tǒng)計(jì)顯著性（Statistical significance），是指零假設(shè)為真的情況下拒絕零假設(shè)所要承擔(dān)的風(fēng)險(xiǎn)水平，又叫概率水平，或者顯著水平。顯著性表示得以相互區(qū)別的能力。在統(tǒng)計(jì)假設(shè)檢驗(yàn)中，公認(rèn)的小概率事件的概率值被稱為統(tǒng)計(jì)假設(shè)檢驗(yàn)的顯著性水平，對(duì)同一量，進(jìn)行多次計(jì)量，然后算出平均值。對(duì)于偏離平均值的正負(fù)差值，就是其不確定度。其差值越大，則計(jì)量的不確定度就越大，對(duì)于具有特定的發(fā)生概

37.0977

4

0

0

關(guān)注作者

收藏

Adams小乙

統(tǒng)計(jì)學(xué)習(xí)——矩陣的秩

矩陣的秩是線性代數(shù)中的一個(gè)概念。在線性代數(shù)中，一個(gè)矩陣A的列秩是A的線性獨(dú)立的縱列的極大數(shù)，通常表示為r(A)，rk(A)或rank A。在線性代數(shù)中，一個(gè)矩陣A的列秩是A的線性獨(dú)立的縱列的極大數(shù)目。類似地，行秩是A的線性無(wú)關(guān)的橫行的極大數(shù)目。即如果把矩陣看成一個(gè)個(gè)行向量或者列向量，秩就是這些行向量或者列向量的秩，也就是極大無(wú)關(guān)組中所含向量的個(gè)數(shù)。方陣(行數(shù)、列數(shù)相等的矩陣)的列秩和行秩總是相等的

37.0937

3

0

0

關(guān)注作者

收藏

申宗康

隨機(jī)森林

隨機(jī)森林（Random Forest）是一種組合預(yù)測(cè)模型，顧名思義隨機(jī)森林是用隨機(jī)方式建立一片森林，森林中包含眾多有較高預(yù)測(cè)精度且弱相關(guān)，甚至不相關(guān)的決策樹并且成組合預(yù)測(cè)模型。在隨機(jī)森林算法模型中的每一棵決策樹中，彼此之間并沒(méi)有聯(lián)系。在建立好森林模型之后，每當(dāng)出現(xiàn)新的空氣數(shù)據(jù)輸入樣本時(shí)，森林模型中的每一棵決策樹便各自獨(dú)立進(jìn)行判斷。隨機(jī)森林可以出來(lái)高維度（特征很多）的數(shù)據(jù)，并且不用降維，無(wú)需做特征選

18.0116

3

0

0

關(guān)注作者

收藏

申宗康

決策樹是一種樹形結(jié)構(gòu)，其中每個(gè)內(nèi)部節(jié)點(diǎn)便是屬性上的測(cè)試，每個(gè)分支代表一個(gè)測(cè)試，每個(gè)支點(diǎn)代表一個(gè)測(cè)試輸出，每個(gè)葉節(jié)點(diǎn)代表一種類別。決策樹容易發(fā)生過(guò)擬合、容易忽略數(shù)據(jù)集中屬性的相互關(guān)聯(lián)。需對(duì)決策樹進(jìn)行剪紙枝處理，減小過(guò)擬合情況的發(fā)生。

18.0116

3

0

0

關(guān)注作者

收藏

Adams小乙

統(tǒng)計(jì)學(xué)習(xí)——偏態(tài)分布

偏態(tài)分布是與“正態(tài)分布”相對(duì)，分布曲線左右不對(duì)稱的數(shù)據(jù)次數(shù)分布，是連續(xù)隨機(jī)變量概率分布的一種。可以通過(guò)峰度和偏度的計(jì)算，衡量偏態(tài)的程度?？煞譃檎珣B(tài)和負(fù)偏態(tài)，前者曲線右側(cè)偏長(zhǎng)，左側(cè)偏短；后者曲線左側(cè)偏長(zhǎng)，右側(cè)偏短偏態(tài)分布(skewness distribution)指頻數(shù)分布的高峰位于一側(cè)，尾部向另一側(cè)延伸的分布。它分為正偏態(tài)和負(fù)偏態(tài)。偏態(tài)分布的資料有時(shí)取對(duì)數(shù)后可以轉(zhuǎn)化為正態(tài)分布，反映偏態(tài)分布的集

17.3026

4

0

0

關(guān)注作者

收藏

Adams小乙

統(tǒng)計(jì)學(xué)習(xí)——正態(tài)分布

正態(tài)曲線呈鐘型，兩頭低，中間高，左右對(duì)稱因其曲線呈鐘形，因此人們又經(jīng)常稱之為鐘形曲線。若隨機(jī)變量X服從一個(gè)數(shù)學(xué)期望為μ、方差為σ2的正態(tài)分布，記為N(μ，σ2)。其概率密度函數(shù)為正態(tài)分布的期望值μ決定了其位置，其標(biāo)準(zhǔn)差σ決定了分布的幅度。當(dāng)μ = 0,σ = 1時(shí)的正態(tài)分布是標(biāo)準(zhǔn)正態(tài)分布。由于一般的正態(tài)總體其圖像不一定關(guān)于y軸對(duì)稱，對(duì)于任一正態(tài)總體，其取值小于x的概率。只要會(huì)用它求正態(tài)總體在某個(gè)特

83.8588

4

0

0

關(guān)注作者

收藏

Adams小乙

統(tǒng)計(jì)學(xué)習(xí)——置信度

在統(tǒng)計(jì)學(xué)中，一個(gè)概率樣本的置信區(qū)間（Confidence interval）是對(duì)這個(gè)樣本的某個(gè)總體參數(shù)的區(qū)間估計(jì)。置信區(qū)間展現(xiàn)的是這個(gè)參數(shù)的真實(shí)值有一定概率落在測(cè)量結(jié)果的周圍的程度。置信區(qū)間給出的是被測(cè)量參數(shù)測(cè)量值的可信程度范圍，即前面所要求的“一定概率”。這個(gè)概率被稱為置信水平。置信區(qū)間只在頻率統(tǒng)計(jì)中使用。在貝葉斯統(tǒng)計(jì)中的對(duì)應(yīng)概念是可信區(qū)間。但是可信區(qū)間和置信區(qū)間是建立在不同的概念基礎(chǔ)上的，因此

6.4076

3

0

0

關(guān)注作者

收藏

Adams小乙

統(tǒng)計(jì)學(xué)習(xí)——聚類算法原理

聚類方法1．層次聚類（Hierarchical Clustering）合并法、分解法、樹狀圖2. 非層次聚類劃分聚類、譜聚類聚類方法特征：· 聚類分析簡(jiǎn)單、直觀?！? 聚類分析主要應(yīng)用于探索性的研究，其分析的結(jié)果可以提供多個(gè)可能的解，選擇最終的解需要研究者的主觀判斷和后續(xù)的分析；· 不管實(shí)際數(shù)據(jù)中是否真正存在不同的類別，利用聚類分析都能得到分成若干類別的解；· 聚類分析的解完全依賴于研究者所

108.9181

5

0

0

關(guān)注作者

收藏

Adams小乙

統(tǒng)計(jì)學(xué)習(xí)——聚類分析

聚類分析指將物理或抽象對(duì)象的集合分組為由類似的對(duì)象組成的多個(gè)類的分析過(guò)程。它是一種重要的人類行為。聚類分析的目標(biāo)就是在相似的基礎(chǔ)上收集數(shù)據(jù)來(lái)分類。聚類源于很多領(lǐng)域，包括數(shù)學(xué)，計(jì)算機(jī)科學(xué)，統(tǒng)計(jì)學(xué)，生物學(xué)和經(jīng)濟(jì)學(xué)。在不同的應(yīng)用領(lǐng)域，很多聚類技術(shù)都得到了發(fā)展，這些技術(shù)方法被用作描述數(shù)據(jù)，衡量不同數(shù)據(jù)源間的相似性，以及把數(shù)據(jù)源分類到不同的簇中。聚類與分類的不同在于，聚類所要求劃分的類是未知的。聚類是將數(shù)據(jù)

30.6754

5

0

0

關(guān)注作者

收藏

Adams小乙

統(tǒng)計(jì)學(xué)習(xí)——共線性

共線性，即同線性或同線型。統(tǒng)計(jì)學(xué)中，共線性即多重共線性。多重共線性（Multicollinearity）是指線性回歸模型中的解釋變量之間由于存在精確相關(guān)關(guān)系或高度相關(guān)關(guān)系而使模型估計(jì)失真或難以估計(jì)準(zhǔn)確。一般來(lái)說(shuō)，由于經(jīng)濟(jì)數(shù)據(jù)的限制使得模型設(shè)計(jì)不當(dāng)，導(dǎo)致設(shè)計(jì)矩陣中解釋變量間存在普遍的相關(guān)關(guān)系。完全共線性的情況并不多見(jiàn)，一般出現(xiàn)的是在一定程度上的共線性，即近似共線性。原因（1）經(jīng)濟(jì)變量相關(guān)的共同趨勢(shì)。

84.2405

6

0

0

關(guān)注作者

收藏

Adams小乙

統(tǒng)計(jì)學(xué)習(xí)——?dú)埐罘治?/a>

殘差分析（residual analysis）就是通過(guò)殘差所提供的信息，分析出數(shù)據(jù)的可靠性、周期性或其它干擾。用于分析模型的假定正確與否的方法。所謂殘差是指觀測(cè)值與預(yù)測(cè)值（擬合值）之間的差，即是實(shí)際觀察值與回歸估計(jì)值的差。在回歸分析中，測(cè)定值與按回歸方程預(yù)測(cè)的值之差，以δ表示。殘差δ遵從正態(tài)分布N(0，σ2)。（δ-殘差的均值）/殘差的標(biāo)準(zhǔn)差，稱為標(biāo)準(zhǔn)化殘差，以δ*表示。δ*遵從標(biāo)準(zhǔn)正態(tài)分布N(

5.9299

5

0

0

關(guān)注作者

收藏

Adams小乙

統(tǒng)計(jì)學(xué)習(xí)——過(guò)擬合

過(guò)擬合是指為了得到一致假設(shè)而使假設(shè)變得過(guò)度嚴(yán)格。避免過(guò)擬合是分類器設(shè)計(jì)中的一個(gè)核心任務(wù)。通常采用增大數(shù)據(jù)量和測(cè)試樣本集的方法對(duì)分類器性能進(jìn)行評(píng)價(jià)。給定一個(gè)假設(shè)空間H，一個(gè)假設(shè)h屬于H，如果存在其他的假設(shè)h’屬于H,使得在訓(xùn)練樣例上h的錯(cuò)誤率比h’小，但在整個(gè)實(shí)例分布上h’比h的錯(cuò)誤率小，那么就說(shuō)假設(shè)h過(guò)度擬合訓(xùn)練數(shù)據(jù)。常見(jiàn)原因：（1）建模樣本選取有誤，如樣本數(shù)量太少，選樣方法錯(cuò)誤，樣本標(biāo)簽錯(cuò)誤等，

84.1724

4

0

0

關(guān)注作者

收藏

<1234…55>

CDA考試動(dòng)態(tài)

考試內(nèi)容

考試地點(diǎn)

CDA報(bào)考指南

報(bào)考流程

考試時(shí)間

報(bào)名費(fèi)用

聯(lián)系我們

<p id="r1mqx"></p>