热线电话：13121318867

登录
热搜话题:
ai长文生成
Scikit-learn
Python
大数据
数据分析师
统计学
微积分
线性代数
Excel
Power BI
R语言
SPSS
Mysql
快速发帖
我要提问
最新
热门
关注
推荐
问答
shauna570392
sql报错提示
sql报错：could not acquire management access for administration解决方法：需要将C:\Windows\System32 这个路径添加到环境变量1、右键计算机，点击属性2、选择高级系统设置3、点击环境变量4、编辑path，以英文状态的分号相隔，将路径添加，确定
24.8112
3
0
关注作者
收藏
读童话的狼
sklearn里面的回归模型有相关参数来设置用最小二乘吗？
sklearn里面的回归模型是利用梯度下降或坐标下降，最小二乘一般不应用在机器学习中，原因主要是因为涉及方阵求逆——矩阵求逆的复杂度是O(N^3)，其中，N为特征数目。次要原因是因为如果特征数目大于样本数目，则方阵是奇异矩阵，逆不存在（——这其实常常通过惩罚因子来解决）
3.9597
1
0
关注作者
收藏
田齐齐
正定矩阵的判定
性质正定矩阵有以下性质：（1）正定矩阵的行列式恒为正；（2）实对称矩阵A正定当且仅当A与单位矩阵合同；（3）若A是正定矩阵，则A的逆矩阵也是正定矩阵；（4）两个正定矩阵的和是正定矩阵；（5）正实数与正定矩阵的乘积是正定矩阵。判定的方法根据正定矩阵的定义及性质，判别对称矩阵A的正定性有两种方法：（1）求出A的所有特征值。若A的特征值均为正数，则A是正定的；若A的特征值均为
15.6488
2
0
关注作者
收藏
读童话的狼
决策树如何防止过拟合？
剪枝是一个简化过拟合决策树的过程。有两种常用的剪枝方法：    (1)先剪枝（prepruning）：通过提前停止树的构建而对树“剪枝”，一旦停止，节点就成为树叶。该树叶可以持有子集元组中最频繁的类；先剪枝的方法       有多种不同的方式可以让决策树停止生长，下面介绍几种停止决策树生长的方法：       限制决策树的高度和叶子结点处样本的数目       1.定义一个高度
18.6039
2
0
关注作者
收藏
田齐齐
机器学习:参数模型与非参数模型
参数模型：根据预先设计的规则，例如方差损失最小，进行学习，参数模型例子：回归（线性回归、逻辑回归）模型；最好可以看一下或者直接进行一下相关的推导；根据规则，拥有少部分数据就可以；非参数模型：不需要事先假设规则，直接挖掘潜在数据中的规则；非参数模型例子：KNN，决策树，挖掘数据潜在的特征，所以比较灵活；参数模型缺点：受限制性高非参数模型缺点：训练时间长，容易产生过拟合，需要大量数据支撑
1.0039
3
0
关注作者
收藏
读童话的狼
岭回归选参的一般原则是什么？
选参遵循原则如下：（1）在岭回归中设计矩阵X已经中心化和标准化了，这样可以直接比较标准化岭回归系数的大小。可以剔除掉标准化岭回归系数比较稳定且绝对值很小的自变量。（2）随着lambda的增加，回归系数稳定，震动趋于零的自变量也可以剔除。（3）开始（lambda=0）十分大，但是随着lambda的增加，迅速向0靠近的回归系数不重要。可以考虑剔除。（4）开始（lambda=0）十分小，
2.9560
4
0
关注作者
收藏
读童话的狼
相关系数在哪个范围可以认为是高强度相关？
相关系数r的绝对值一般在0.8以上，认为A和B有强的相关性0.3到0.8之间，可以认为有弱的相关性0.3以下，认为没有相关性
2.9560
2
0
关注作者
收藏
wo5656500
什么是销售漏斗模型销售漏斗模型： 1.先将发现潜在商业机会开
销售漏斗模型：1.先将发现潜在商业机会开始到现金回收为止的整个销售过程分为不同销售阶段2. 再对每一个销售阶段进行有针对性的细致管理3. 最终达到及早发现并回避潜在商机风险的目的※ 销售漏斗管理的本质是对销售过程的风险控制，成功的跨国企业都在使用的销售漏斗管理方法，比如华为的销售漏斗叫L2C（Leads to Cash）,IBM的销售漏斗叫O2C（Opptunity to Close
3.0498
4
0
关注作者
收藏
wo5656500
销售管理分析的重要性
对于销售人员： 1. 改善销售行为、预测业务达成率、管理商机进度 2. 提前掌握风险商机，及时制定赢单策略 3. 将营业活动进行量化并与销售团队共享销售情报对于公司： 1. 为重大销售决策提供基础数据依据 ◎　预测销售收入 ◎　制定投资计划 ◎　合理配置销售资源 ◎　及时发现并回避潜在风险 2. 将销售行为合理化以取得最大销售利润 3. 制定统一规范的团队协作销售策略 4
2.0469
4
0
关注作者
收藏
shauna570392
什么叫中式排序？ 就是同金额大小的客户会并列第某位？
是的比如有如下销售数据：A 100B 300C 100D 200E 200那么销量取前三名，按照中式排名结果为：1 A3002 D2002 E2003 A1003 A100
2.1784
1
0
关注作者
收藏
shauna570392
为什么排序选前十，出来了十三个个结果？
按照中式排序，有并列的也会计入排序。比如有如下销售数据：A 100B 300C 100D 200E 200那么销量取前三名，按照中式排名结果为：1 A3002 D2002 E2003 A1003 A100那么前三名就会有5个结果。
2.1784
2
0
关注作者
收藏
读童话的狼
最小二乘和梯度下降的区别在哪？
二者区别：1 最小二乘法：1) 一次计算即可得到最优解(全局最优解)，但极小值为全局最小值；2) 当特征数量  大于10000时，因计算矩阵逆的时间复杂度(  )会很大；3) 只适用于线性模型，不适用于逻辑回归等其他模型。2 梯度下降法：1) 需要选择学习率 ，需要多次迭代找到最优解(局部最优解)，极小值为局部最小值；2) 当特征数量  大于10000时，也可以进行计算
4.7587
0
0
关注作者
收藏
shauna570392
sql无法查询，报错
一.问题描述该同学想运行查询语句，但是数据库里没有该表，所以无法出结果。图一报错：1146:test.t1 doesn't exits图二报错：1046：no database selected图三报错: can't creat database test二.问题解答想在t1表查询，因为没有在test数据库创建表，所以会提示t1表不存在没有选择数据库，报错te
16.8234
6
0
关注作者
收藏
赵娜0418
不划分的另一部分叶子，如果不是最纯的状态，怎么办？
这个问题在决策树算法中是存在的，但是在ID3算法中是不存在的，ID3算法绝对是最纯的，这是因为ID3算法不能分连续型数据，每个样本不一样，而每个样本的取值都是固定的，所以一定会找到最纯的状态，又因为它永远要达到叶子的纯度，没有防止过拟合剪枝的策略
13.3987
3
0
关注作者
收藏
yuechuchen
问卷的不同作用
一般取得问卷后，先按照一定比例将问卷分成两部分，比例大多是2：8或者3：7等，多的一份用来筛选特征，少的一部分用来验证筛选的特征是否有效。
0.0000
0
0
关注作者
收藏
yuechuchen
回归分析之前需不需要做降维
维度比较多，超过30个，一般需要降维，但是要考虑降维的前提，如果变量间的相关性太弱，降维的效果会比较差，如果变量有几百个，可能需要升级算法运用流型或者核主成分分析等方法。
0.0000
1
0
关注作者
收藏
liting李
分类型是不是就是离散型的呢？
分类型是不是就是离散型的呢？分类型数据不是离散型数据，比如幸福指数为1，2，3类，它是经过离散化之后的分类型数据。离散化是将连续数据变成离散数据，前提条件是数据。所以分类型数据并不是离散型数据。数据有分类 顺序 数值型三种；数值可以分为连续型和离散型， 连续性可以取到小数，离散型只能是整数。
0.0013
3
0
关注作者
收藏
PGC123
pyecharts无法在jupyterlab中显示问题
pyecharts无法在jupyterlab中显示问题。我的代码运行后并不能绘制出图像来，我是使用jupyter lab运行代码的，用notebook就可以。答：不同的 Notebook 环境有自己不同的渲染要求，pyecharts 在底层做了适配处理，但因为我们无法在import pyecharts的时候知道用户具体使用的是哪种 Notebook 环境，所以需要用户在使用时在顶部声明环境类
30.5863
2
0
关注作者
收藏
liting李
数据挖掘的一般流程
1. 数据读取 - 读取数据 - 文件路径（一般不要有中文，反斜杠/，r） - 分隔符 - 编码格式 - 看下每个特征的数据类型，是否有缺失 - 数据规模--样本量，特征数2. 特征理解（数据探索，可视化） - 单变量分析 - 多变量分析，综合多种因素影响 - 统计绘图（得出简单结论）
26.3934
1
0
关注作者
收藏
赵娜0418
机器学习中训练集和测试集的占比
当数据量比较小时，可以使用 7 ：3 训练数据和测试数据或者 6： 2 : 2 训练数据，验证数据和测试数据当数据量非常大时，可以使用 98 : 1 : 1 训练数据，验证数据和测试数据
9.9962
4
0
关注作者
收藏
<1…219220221…404>
CDA考试动态
考试介绍
考试大纲
考试内容
考试地点
CDA报考指南
报考流程
考试时间
报名费用
联系我们
热门栏目
考试动态
报考指南
复习备考
职业发展
直播公开课
经验分享
Copyright © 2015-2020, www.pinggu.com All Rights Reserved. CDA数据分析师(北京国富如荷网络科技有限公司) 版权所有 京ICP备18052299号-1