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

<u id="dd1uq"></u>

^{<blockquote id="dd1uq"></blockquote>}

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：是對產(chǎn)品進(jìn)行分類示范圖如下：市場占有率：為企業(yè)實(shí)力。銷售增長率：為市場需求。兩者可根據(jù)實(shí)際需求改動明星產(chǎn)品:市場占有率和銷售增長率同時大于閾值的產(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：市場占有率高于閾值，銷售增長率低于閾值的產(chǎn)品【建議增加所屬產(chǎn)品附加價值促進(jìn)消費(fèi)】問題產(chǎn)品：市場占有率低于閾值，銷售增長率高于閾值的產(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、測試機(jī)、訓(xùn)練集（預(yù)測）回歸：（F檢驗(yàn)（檢驗(yàn)?zāi)Ｐ停?、t檢驗(yàn)（檢驗(yàn)各個變量）、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）模型測試：測試集

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)算兩個連續(xù)型變量的相關(guān)系數(shù)肯德爾相關(guān)系數(shù)（kenddl）:一個連續(xù)性一個分類型斯皮爾曼相關(guān)系數(shù)（spearman）：兩個變量，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)。第一類錯誤（棄真錯誤）：原假設(shè)為真時拒絕了原假設(shè)。第二類錯誤（取偽錯誤）：原假設(shè)為為假時接受了原假設(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)意指上一次購買的時候。理論上，上一次消費(fèi)時間越近的顧客應(yīng)該是比較好的顧客，對提供即時的商品或是服務(wù)也最有可能會有反應(yīng)。營銷人員若想業(yè)績有所成長，只能靠偷取競爭對手的市場占有率，而如果要密切地注意消費(fèi)者的購買行為，那么最近的一次消費(fèi)就是營銷人員第一個要利用的工具。歷史顯示，如果我們能讓消費(fèi)者購買，他們就會持續(xù)購買。這也就是為什么，0至6個月的顧客收到營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，通過一些數(shù)學(xué)算法，推測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，通過一些數(shù)學(xué)算法，推測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，由美國明尼蘇達(dá)大學(xué)GroupLens研究小組最先開始研究，他們想要制作一個名為Movielens的電影推薦系統(tǒng)，從而實(shí)現(xiàn)對用戶進(jìn)行電影的個性化推薦。

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。如今是一個大數(shù)據(jù)時代，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)營數(shù)據(jù)等，形成報告或者報表。業(yè)務(wù)洞察是根據(jù)數(shù)據(jù)分析結(jié)論，對潛在客群，產(chǎn)品運(yùn)營進(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)對用戶、產(chǎn)品、運(yùn)營的洞察，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)文件中可識別的錯誤的最后一道程序，包括檢查數(shù)據(jù)一致性，處理無效值和缺失值等。與問卷審核不同，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)– 對數(shù)據(jù)進(jìn)行重新審查和校驗(yàn)的過程，目的在于刪除重復(fù)信息、糾正存在的錯誤，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)文件中可識別的錯誤的最后一道程序，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，對同一量，進(jìn)行多次計(jì)量，然后算出平均值。對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)中的一個概念。在線性代數(shù)中，一個矩陣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的線性無關(guān)的橫行的極大數(shù)目。即如果把矩陣看成一個個行向量或者列向量，秩就是這些行向量或者列向量的秩，也就是極大無關(guān)組中所含向量的個數(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，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)森林可以出來高維度（特征很多）的數(shù)據(jù)，并且不用降維，無需做特征選

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)，其中每個內(nèi)部節(jié)點(diǎn)便是屬性上的測試，每個分支代表一個測試，每個支點(diǎn)代表一個測試輸出，每個葉節(jié)點(diǎn)代表一種類別。決策樹容易發(fā)生過擬合、容易忽略數(shù)據(jù)集中屬性的相互關(guān)聯(lián)。需對決策樹進(jìn)行剪紙枝處理，減小過擬合情況的發(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，分布曲線左右不對稱的數(shù)據(jù)次數(shù)分布，是連續(xù)隨機(jī)變量概率分布的一種?？梢酝ㄟ^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，左側(cè)偏短；后者曲線左側(cè)偏長，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)分布的資料有時取對數(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軸對稱，對于任一正態(tài)總體，其取值小于x的概率。只要會用它求正態(tài)總體在某個特

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，一個概率樣本的置信區(qū)間（Confidence interval）是對這個樣本的某個總體參數(shù)的區(qū)間估計(jì)。置信區(qū)間展現(xiàn)的是這個參數(shù)的真實(shí)值有一定概率落在測量結(jié)果的周圍的程度。置信區(qū)間給出的是被測量參數(shù)測量值的可信程度范圍，即前面所要求的“一定概率”。這個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象的集合分組為由類似的對象組成的多個類的分析過程。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。一般來說，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，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。

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。所謂殘差是指觀測值與預(yù)測值（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，測定值與按回歸方程預(yù)測的值之差，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)——過擬合

過擬合是指為了得到一致假設(shè)而使假設(shè)變得過度嚴(yán)格。避免過擬合是分類器設(shè)計(jì)中的一個核心任務(wù)。通常采用增大數(shù)據(jù)量和測試樣本集的方法對分類器性能進(jìn)行評價。給定一個假設(shè)空間H，一個假設(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的錯誤率比h’小，但在整個實(shí)例分布上h’比h的錯誤率小，那么就說假設(shè)h過度擬合訓(xùn)練數(shù)據(jù)。常見原因：（1）建模樣本選取有誤，如樣本數(shù)量太少，選樣方法錯誤，樣本標(biāo)簽錯誤等，

84.1724

4

0

0

關(guān)注作者

收藏

<1234…55>

CDA考試動態(tài)

考試內(nèi)容

考試地點(diǎn)

CDA報考指南

報名費(fèi)用

聯(lián)系我們

<em id="pmymc"><tt id="pmymc"></tt></em>

<meter id="pmymc"></meter>