2017校招正在火熱的進(jìn)行，后面會(huì)不斷更新涉及到的相關(guān)知識(shí)點(diǎn)。
盡管聽說今年幾個(gè)大互聯(lián)網(wǎng)公司招的人超少，但好像哪一年都說是就業(yè)困難，能夠進(jìn)去當(dāng)然最好，不能進(jìn)去是不是應(yīng)該也抱著好的期望去找自己滿意的呢？
最近筆試了很多家公司校招的數(shù)據(jù)分析和數(shù)據(jù)挖掘崗位，今天(9.18r)晚上做完唯品會(huì)的筆試題，才忽然意識(shí)過來，不管題目簡單也好、難也好，都要去切切實(shí)實(shí)的去掌握。畢竟不能永遠(yuǎn)眼高手低，否則最后吃虧的一定是自己。
知識(shí)點(diǎn)1：貝葉斯公式
貝葉斯公式：P(B|A)=P(A|B)*P(B)/P(A)
其中P(A)可以展開為
P(A)=P(A|B1)P(B1)+P(A|B2)P(B2)+...+P(A|Bn)*P(Bn)
(這在很多問答題或者選擇題中都有用到)
知識(shí)點(diǎn)2：關(guān)聯(lián)規(guī)則分析
主要考的是支持度和置信度。
知識(shí)點(diǎn)3：聚類
聚類之間類的度量是分距離和相似系數(shù)來度量的，距離用來度量樣品之間的相似性（K-means聚類，系統(tǒng)聚類中的Q型聚類），相似系數(shù)用來度量變量之間的相似性（系統(tǒng)聚類中的R型聚類）。
最常用的是K-means聚類，適用于大樣本，但需要事先指定分為K個(gè)類。
處理步驟：
1）、從n個(gè)數(shù)據(jù)對象中任意選出k個(gè)對象作為初始的聚類中心
2）、計(jì)算剩余的各個(gè)對象到聚類中心的距離，將它劃分給最近的簇
3）、重新計(jì)算每一簇的平均值（中心對象）
4）、循環(huán)2-3直到每個(gè)聚類不再發(fā)生變化為止。
系統(tǒng)聚類適用于小樣本。
知識(shí)點(diǎn)4：分類
有監(jiān)督就是給的樣本都有標(biāo)簽，分類的訓(xùn)練樣本必須有標(biāo)簽，所以分類算法都是有監(jiān)督算法。
監(jiān)督機(jī)器學(xué)習(xí)問題無非就是“minimizeyour error while regularizing your parameters”，也就是在規(guī)則化參數(shù)的同時(shí)最小化誤差。最小化誤差是為了讓我們的模型擬合我們的訓(xùn)練數(shù)據(jù)，而規(guī)則化參數(shù)是防止我們的模型過分?jǐn)M合我們的訓(xùn)練數(shù)據(jù)，提高泛化能力。
1.樸素貝葉斯
1）基礎(chǔ)思想：
對于給出的待分類項(xiàng)，求解在此項(xiàng)出現(xiàn)的條件下各個(gè)類別出現(xiàn)的概率，哪個(gè)最大，就認(rèn)為此分類項(xiàng)屬于哪個(gè)類別。
2）優(yōu)點(diǎn)：
可以和決策樹、神經(jīng)網(wǎng)絡(luò)分類算法相媲美，能運(yùn)用于大型數(shù)據(jù)庫中。
方法簡單，分類準(zhǔn)確率高，速度快，所需估計(jì)的參數(shù)少，對于缺失數(shù)據(jù)不敏感。
3）缺點(diǎn)：
假設(shè)一個(gè)屬性對定類的影響?yīng)毩⒂谄渌膶傩灾?，這往往并不成立。（喜歡吃番茄、雞蛋，卻不喜歡吃番茄炒蛋）。
需要知道先驗(yàn)概率。
2.決策樹
1）基礎(chǔ)思想：
決策樹是一種簡單但廣泛使用的分類器，它通過訓(xùn)練數(shù)據(jù)構(gòu)建決策樹，對未知的數(shù)據(jù)進(jìn)行分類。決策樹的每個(gè)內(nèi)部節(jié)點(diǎn)表示在一個(gè)屬性上的測試，每個(gè)分枝代表該測試的一個(gè)輸出，而每個(gè)葉結(jié)點(diǎn)存放著一個(gè)類標(biāo)號(hào)。
在決策樹算法中，ID3基于信息增益作為屬性選擇的度量，C4.5基于信息增益比作為屬性選擇的度量，CART基于基尼指數(shù)作為屬性選擇的度量。
2）優(yōu)點(diǎn) ：
不需要任何領(lǐng)域知識(shí)或參數(shù)假設(shè)。
適合高維數(shù)據(jù)。
簡單易于理解。
短時(shí)間內(nèi)處理大量數(shù)據(jù)，得到可行且效果較好的結(jié)果。
3）缺點(diǎn)：
對于各類別樣本數(shù)量不一致數(shù)據(jù)，信息增益偏向于那些具有更多數(shù)值的特征。
易于過擬合。
忽略屬性之間的相關(guān)性。
3.支持向量機(jī)
1）基礎(chǔ)思想：
支持向量機(jī)把分類問題轉(zhuǎn)化為尋找分類平面的問題，并通過最大化分類邊界點(diǎn)距離分類平面的距離來實(shí)現(xiàn)分類。
2）優(yōu)點(diǎn) ：
可以解決小樣本下機(jī)器學(xué)習(xí)的問題。
提高泛化性能。
可以解決文本分類、文字識(shí)別、圖像分類等方面仍受歡迎。
避免神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)選擇和局部極小的問題。
3）缺點(diǎn)：
缺失數(shù)據(jù)敏感。
內(nèi)存消耗大，難以解釋。
4.K近鄰
1）基礎(chǔ)思想：
通過計(jì)算每個(gè)訓(xùn)練樣例到待分類樣品的距離，取和待分類樣品距離最近的K個(gè)訓(xùn)練樣例，K個(gè)樣品中哪個(gè)類別的訓(xùn)練樣例占多數(shù)，則待分類樣品就屬于哪個(gè)類別。
2）優(yōu)點(diǎn) ：
適用于樣本容量比較大的分類問題
3）缺點(diǎn)：
計(jì)算量太大
對于樣本量較小的分類問題，會(huì)產(chǎn)生誤分。
5.邏輯回歸（LR）
1）基礎(chǔ)思想：
回歸模型中，y是一個(gè)定型變量，比如y=0或1，logistic方法主要應(yīng)用于研究某些事件發(fā)生的概率。
2）優(yōu)點(diǎn) ：
速度快，適合二分類問題。
簡單易于理解，直接看到各個(gè)特征的權(quán)重。
能容易地更新模型吸收新的數(shù)據(jù)。
3）缺點(diǎn)：
對數(shù)據(jù)和場景的適應(yīng)能力有局限，不如決策樹算法適應(yīng)性那么強(qiáng)
知識(shí)點(diǎn)5：分類的評判指標(biāo)
準(zhǔn)確率和召回率廣泛用于信息檢索和統(tǒng)計(jì)分類領(lǐng)域
1）準(zhǔn)確率（precision rate）：提取出的正確信息條數(shù)/提取出的信息條數(shù)
2）召回率（recall rate）：提取出的正確信息條數(shù)/樣本中的信息條數(shù)
ROC和AUC是評價(jià)分類器的指標(biāo)
3）ROC曲線：
ROC關(guān)注兩個(gè)指標(biāo)
True Positive Rate ( TPR，真正率 ) = TP / [ TP + FN] ，TPR代表預(yù)測為正實(shí)際也為正占總正實(shí)例的比例
False Positive Rate( FPR，假正率 ) = FP / [ FP + TN] ，F(xiàn)PR代表預(yù)測為正但實(shí)際為負(fù)占總負(fù)實(shí)例的比例
在ROC 空間中，每個(gè)點(diǎn)的橫坐標(biāo)是FPR，縱坐標(biāo)是TPR
4）AUC：AUC（Area Under Curve）
被定義為ROC曲線下的面積，顯然這個(gè)面積的數(shù)值不會(huì)大于1。又由于ROC曲線一般都處于y=x這條直線的上方，所以AUC的取值范圍在0.5和1之間。使用AUC值作為評價(jià)標(biāo)準(zhǔn)是因?yàn)楹芏鄷r(shí)候ROC曲線并不能清晰的說明哪個(gè)分類器的效果更好，而AUC作為數(shù)值可以直觀的評價(jià)分類器的好壞，值越大越好。
5）如何避免過擬合？
過擬合表現(xiàn)在訓(xùn)練數(shù)據(jù)上的誤差非常小，而在測試數(shù)據(jù)上誤差反而增大。其原因一般是模型過于復(fù)雜，過分得去擬合數(shù)據(jù)的噪聲和outliers。
常見的解決辦法是正則化是：增大數(shù)據(jù)集，正則化
正則化方法是指在進(jìn)行目標(biāo)函數(shù)或代價(jià)函數(shù)優(yōu)化時(shí)，在目標(biāo)函數(shù)或代價(jià)函數(shù)后面加上一個(gè)正則項(xiàng)，一般有L1正則與L2正則等。規(guī)則化項(xiàng)的引入，在訓(xùn)練（最小化cost）的過程中，當(dāng)某一維的特征所對應(yīng)的權(quán)重過大時(shí)，而此時(shí)模型的預(yù)測和真實(shí)數(shù)據(jù)之間距離很小，通過規(guī)則化項(xiàng)就可以使整體的cost取較大的值，從而在訓(xùn)練的過程中避免了去選擇那些某一維（或幾維）特征的權(quán)重過大的情況，即過分依賴某一維（或幾維）的特征。
L1正則與L2正則區(qū)別：
L1：計(jì)算絕對值之和，用以產(chǎn)生稀疏性（使參數(shù)矩陣中大部分元素變?yōu)?），因?yàn)樗荓0范式的一個(gè)最優(yōu)凸近似，容易優(yōu)化求解；
L2：計(jì)算平方和再開根號(hào)，L2范數(shù)更多是防止過擬合，并且讓優(yōu)化求解變得穩(wěn)定很快速；
所以優(yōu)先使用L2 norm是比較好的選擇。
知識(shí)點(diǎn)6：二叉樹（前、中、后遍歷）
（這里的前中后是指的根節(jié)點(diǎn)的遍歷次序）
1）前序遍歷（DLR），首先訪問根結(jié)點(diǎn)，然后遍歷左子樹，最后遍歷右子樹；
2）中序遍歷（LDR），首先遍歷左子樹，然后訪問根結(jié)點(diǎn)，最后遍歷右子樹；
3）后序遍歷（LRD），首先遍歷左子樹，然后訪問遍歷右子樹，最后訪問根結(jié)點(diǎn)。
知識(shí)點(diǎn)7：幾種基本排序算法
1）冒泡排序（Bubble Sort）
冒泡排序方法是最簡單的排序方法。這種方法的基本思想是，將待排序的元素看作是豎著排列的“氣泡”，較小的元素比較輕，從而要往上浮。
冒泡排序是穩(wěn)定的。算法時(shí)間復(fù)雜度是O(n^2)。
2）插入排序（Insertion Sort）
插入排序的基本思想是，經(jīng)過i-1遍處理后，L[1..i-1]己排好序。第i遍處理僅將L[i]插入L[1..i-1]的適當(dāng)位置，使得L[1..i]又是排好序的序列。
直接插入排序是穩(wěn)定的。算法時(shí)間復(fù)雜度是O(n^2)。
3）堆排序
堆排序是一種樹形選擇排序，在排序過程中，將A[n]看成是完全二叉樹的順序存儲(chǔ)結(jié)構(gòu)，利用完全二叉樹中雙親結(jié)點(diǎn)和孩子結(jié)點(diǎn)之間的內(nèi)在關(guān)系來選擇最小的元素。
堆排序是不穩(wěn)定的。算法時(shí)間復(fù)雜度O(nlog n)。
4）快速排序
快速排序是對冒泡排序的一種本質(zhì)改進(jìn)?？焖倥判蛲ㄟ^一趟掃描，就能確保某個(gè)數(shù)（以它為基準(zhǔn)點(diǎn)吧）的左邊各數(shù)都比它小，右邊各數(shù)都比它大。
快速排序是不穩(wěn)定的。最理想情況算法時(shí)間復(fù)雜度O(nlog2n)，最壞O(n ^2)。
知識(shí)點(diǎn)8：SQL知識(shí)
1）左連接、右連接、inner連接，full連接
2）修改表：
alter table 教師 add 獎(jiǎng)金 int
alter table 教師 drop 獎(jiǎng)金
alter table 教師 rename 獎(jiǎng)金 to 津貼
3）表權(quán)限的賦予：
4）怎樣清空表數(shù)據(jù)，但不刪除表結(jié)構(gòu)
delete from tablename或者delete * from table_name
truncate table tablename
5）外鍵能不能為空
外鍵可以為空，為空表示其值還沒有確定；
如果不為空，剛必須為主鍵相同。
知識(shí)點(diǎn)9：統(tǒng)計(jì)學(xué)基礎(chǔ)知識(shí)
1）四分位極差、左右偏分布、p值
2）方差分析：
用于兩個(gè)及兩個(gè)以上樣本均數(shù)差別的顯著性檢驗(yàn)，基本思想是：通過分析研究不同來源的變異對總變異的貢獻(xiàn)大小，從而確定控制變量對研究結(jié)果影響力的大小。
3）主成分分析：
是一種統(tǒng)計(jì)方法。通過正交變換將一組可能存在相關(guān)性的變量轉(zhuǎn)換為一組線性不相關(guān)的變量，轉(zhuǎn)換后的這組變量叫主成分。
4）幸存者偏差：
意思是指，當(dāng)取得資訊的渠道，僅來自于幸存者時(shí)（因?yàn)樗廊瞬粫?huì)說話），此資訊可能會(huì)存在與實(shí)際情況不同的偏差。
本文為簡書作者是藍(lán)先生原創(chuàng)，CDA數(shù)據(jù)分析師已獲得授權(quán)
CDA數(shù)據(jù)分析師課程，全面講解商業(yè)數(shù)據(jù)分析領(lǐng)域技能和應(yīng)用，歡迎參加！
CDA數(shù)據(jù)分析師考試相關(guān)入口一覽（建議收藏）：
? 想報(bào)名CDA認(rèn)證考試，點(diǎn)擊>>>
“CDA報(bào)名”
了解CDA考試詳情；
? 想學(xué)習(xí)CDA考試教材，點(diǎn)擊>>> “CDA教材” 了解CDA考試詳情；
? 想加入CDA考試題庫，點(diǎn)擊>>> “CDA題庫” 了解CDA考試詳情；
? 想了解CDA考試含金量，點(diǎn)擊>>> “CDA含金量” 了解CDA考試詳情；
京公網(wǎng)安備 11010802034615號(hào)
經(jīng)營許可證編號(hào)：京B2-20210330
