数据分析师 -数据科学专业问答社区-CDA答疑社区

热线电话：13121318867

登录

詹惠儿

sec X，csc X 是什么函数？

问：sec X，csc X 是什么函数？答：sec在三角函数中表示正割，直角三角形斜边与某个锐角的邻边的比,叫做该锐角的正割，用 sec（角）表示；csc叫余割函数，即在直角三角形中斜边比角的对边，正割与余弦互为倒数，余割与正弦互为倒数，即：secθ=1/cosθ。

50.0000

1

0

0

关注作者

收藏

詹惠儿

岭回归和Lasso回归模型的比较

问：岭回归和Lasso回归模型的比较答： Rdige和Lasso都是对线性模型中的w做惩罚惩罚的力度不一样，相同lambda下，Lasso惩罚的力度更加大一些在比较大的lambda下，Rdige模型中w的解都是接近0，而不是直接-0。Lasso中，很多w值直接被压缩成0因为Lasso可以直接来优先将不重要的特征的w压缩成0，所以可以达到特征筛选的效果Lasso和Ridge复杂的方向是一样，lamb

50.0000

1

0

0

关注作者

收藏

詹惠儿

坐标下降法和随机平均梯度下降法如何选择？

问：坐标下降法和随机平均梯度下降法如何选择？答：坐标下降法可以说是万能的方法，不管你的损失函数可以求导还是不能求导，都可以使用这个方法！但是效率非常低！！！！所以如果你的损失函数可以求导的话，优先使用随机平均梯度下降！真的碰到不能求导的损失函数，比如说L1范式的损失函数，没有办法，只能使用坐标下降法，来找最低点

50.0000

1

0

0

关注作者

收藏

詹惠儿

批量梯度下降法和随机梯度下降法的优缺点比较

问：批量梯度下降法和随机梯度下降法的优缺点比较答：批量梯度下降缺点：可能是由于数据原因，或者损失函数的特点，导致，损失函数的图中，有局部最优。如果直接每一次都是整体的样本来进行梯度的计算，会发现踢的方向狠稳定，从而如果初始位置选的不好，从而很容易陷到局部最优当中再也出不来的。优点：如果没有局部最优或者初始位置选的好，可以很狠稳定的去逼近全优点。随机梯度下降每次计算新的梯度的时候，不再使用所有的样

50.0000

1

0

0

关注作者

收藏

詹惠儿

机器学习中学习曲线和网格搜索怎么查看最优参数？

问：机器学习中学习曲线和网格搜索怎么查看最优参数？答：学习曲线:在不一样的参数值下，使用交叉验证的方式(手动调包进行交叉验证)，将结果画出来，通过图的方式来大致选取最优的参数范围网格搜索：将所有各个参数的最优范围放入字典，使用网格搜索的包来找最优的组合，网格搜索包会自动的通过交叉验证的方法来找最优的组合

50.0000

1

0

0

关注作者

收藏

IPO策划师

新三板股权投资；抓住机遇，抓住未来，抓住财富！

一、投资门槛降低，个人和机构都有机会参与股权一级市场的投资中国的股民只能参与股票二级市场的投资，股权投资原本只是属于机构投资者才能参与的领域，因为股权投资至少是上千万资金才能投资的。在国家政策引导下，大力发展多层次资本市场，新三板市场、上海股转中心市场明显降低了投资者参与的门槛，投资者几十万就有机会参与了企业原始股权投资。二、回报潜力大在证监会把上市由审核制向注册制的转变，大力发展多层次资本市场，

0.0000

1

1

0

关注作者

收藏

liting李

什么是KMO检验和Bartlett球形检验？

KMO（Kaiser-Meyer-Olkin)检验统计量是用于比较变量间简单相关系数和偏相关系数的指标。KMO统计量是取值在0和1之间。当所有变量间的简单相关系数平方和远远大于偏相关系数平方和时，KMO值接近1.KMO值越接近于1,意味着变量间的相关性越强，原有变量越适合作因子分析；当所有变量间的简单相关系数平方和接近0时，KMO值接近0.KMO值越接近于0,意味着变量间的相关性越弱，原有变量越不

89.5991

2

0

0

关注作者

收藏

liting李

kmo检验和bartlett检验的原假设是什么

Bartlett's球性检验：原假设：变量之间不存在相关性备择假设：变量之间存在相关性KMO就是一个值，要求大于0.5，没有原假设。

89.5991

2

0

0

关注作者

收藏

liting李

calculate_kmo检验，calculate_bartlett_sphericity检验，分别检验什么？

kmo检验和bartlett检验都是用来检验各个变量是否各自独立，这两个检验是一个问题的两种检验。一般是一起用的。

89.5837

1

0

0

关注作者

收藏

liting李

怎么区分纬度和指标？

指标，是衡量事务发展程度的单位和方法，通常需要经过加和、平均等聚合统计才能得到，并且是在一定条件下的。UV/PV，页面停留时长，用户获取成本，这种就是指标。维度，是事务现象的某种特征，如性别，地区，时间都是维度。

120.0000

1

0

0

关注作者

收藏

152****4798

python打开界面方式

第一种：（1）找到Jupyter notebook 软件直接双击打开（2）在一个文件夹中，shift+右键，找到在此处打开命令窗口，输入 jupyter notebook 回车键即可打开

100.3509

3

0

0

关注作者

收藏

152****4798

机器学习基础模型分类

机器学习基础模型：1.有监督学习(1)离散型数据：分类：KNN(最近邻算法)，贝叶斯，决策树，随机森林逻辑回归，神经网络，集成学习（bagging，boosting，xgboost）(2)连续型数据：线性回归，岭回归2.无监督学习：(1)聚类：K-means(2)降维：PCA

100.3509

3

0

0

关注作者

收藏

152****4798

Excel基本图表使用方法

图表分类：(1)比较类：柱形图，条形图，折线图，雷达图(最多类别不超过4个)(2)构成类：饼图，树状图，旭日图（各类别与整体关系）(3)分布与联系：散点图，气泡图（数据在多个维度关系）(4)统计类：直方图(频数统计)，箱型图（数据分布状况）(5)特殊图标：子弹图，子母饼图，复合饼图，目标达成率图

100.3509

3

0

0

关注作者

收藏

152****4798

简单入门-线性回归预测

案例概述每个销售型公司都有一定的促销费用，促销费用可以带来销售量的显著提升。当给出一定的促销费用时，预计会带来多大的商品销售量？

100.5685

4

0

0

关注作者

收藏

詹惠儿

线性回归在实际企业中用的多吗

问：线性回归在实际企业中用的多吗答：在实际企业的运用中，逻辑回归，决策树，xgboost，随机森林等用的比较多，ridge和lasso这些线性回归模型在业务中反而不常见，一般研究回归，实际上是为了学习梯度下降，拉格朗日等算法等。

133.3072

1

0

0

关注作者

收藏

詹惠儿

常用的过拟合解决方法有哪些？

问：常用的过拟合解决方法有哪些？答：过拟合解决方法：（1）增大数据集（2）减少数据特征（降维，特征选择）（3）交叉验证（4）正则化（L1和L2）（5）降低模型复杂度（如对决策树剪枝等）（6）集成学习方法

92.3077

1

0

0

关注作者

收藏

詹惠儿

在看逻辑回归模型的部分，为什么说从前两个表可以看出p是由y=1来建模型

问：在看逻辑回归模型的部分，在建模时出现9个表，其中前两个表讲师说是来解释Y的，从前两个表可以看出p是由y=1来建模型的，请问是从哪里看出来的呢？答：一般是样本量少的为1值，从下图可以看出：

92.3077

1

0

0

关注作者

收藏

詹惠儿

交叉验证原理是什么，什么情况下要做交叉验证？

问：交叉验证原理是什么，什么情况下要做交叉验证？答：交叉验证是在机器学习建立模型和验证模型参数时常用的办法。交叉验证，顾名思义，就是重复的使用数据，把得到的样本数据进行切分，组合为不同的训练集和测试集，用训练集来训练模型，用测试集来评估模型预测的好坏。在此基础上可以得到多组不同的训练集和测试集，某次训练集中的某样本在下次可能成为测试集中的样本，即所谓“交叉”。　那么

92.3077

1

0

0

关注作者

收藏

151****990****

SQL 刷题网站

SQL 刷题网站：SQLZOO:https://sqlzoo.net/XUESQL:http://xuesql.cn/牛客网：https://www.nowcoder.com/ta/sql力扣网：https://leetcode-cn.com/problemset/database/

91.0733

1

1

0

关注作者

收藏

151****990****

Excel 五种业务数据分析方法论

业务数据分析方法论1、三步式方法论：日常取数（1）确认数据范围（2）确认分析维度（3）输出数据指标分析思路：a、和需求方确认数据范围，确定数据维度（如：时间维度、渠道维度、客户维度······）b、和需求方确认分析维度，从背景和目标中得出xxx维度汇总信息c、和需求方确认统计指标（是否划分会员、销售额是税前还是税后······）2、帕累托分析：业务问题发现又称二八法则，在项目管理中主要用于找出核心

59.9968

1

0

0

关注作者

收藏

<1…131415…24>

CDA考试动态

CDA报考指南