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

区分列表，元祖，字典

python中可用的数据结构是列表，元组和字典。集合在sets库中可用（但内置于Python 2.5及更高版本中）。列表就像一维数组（但你也可以有其他列表的列表），字典是关联数组（也就是哈希表），元组是不可变的一维数组（Python“数组”可以是任何类型，所以你可以在列表/词典/元组中混合例如整数，字符串等）。所有数组类型中第一项的索引为0. 负数从结尾到开头计数，-1是最后一项。变量可以指向函数

0.0000

0

2

0

关注作者

收藏

詹惠儿

python如何实现ANOVA？

ANOVA代表方差分析。执行以确定不同分类数据组之间的关系。在ANOVA下我们有两个测量结果：- F-testscore：显示组的变量意味着变化 p值：它显示结果的重要性这可以使用python模块scipy方法名称f_oneway（）执行语法：import scipy.stats as stst.f_oneway(sample1, sample2, ..)这些样品是每组的样品

0.0000

0

3

0

关注作者

收藏

詹惠儿

决策树分析原理（2）

在确定哪种结果最为理想时，考虑决策者的效用偏好很重要。例如，有些人可能更喜欢低风险期权，而有些人则愿意为更大的利益承担风险。当您使用具有伴随概率模型的决策树时，您可以使用它来计算事件的条件概率，或者在发生另一事件时计算事件发生的可能性。为此，只需从初始事件开始，然后按照从该事件到目标事件的路径，将每个事件的概率相乘。通过这种方式，可以像传统的树形图一样使用决策树，其映射出某些

0.0000

0

1

0

关注作者

收藏

詹惠儿

决策树分布原理（1）

通过计算树中每个选项的预期效用或值，您可以最大限度地降低风险并最大化达到理想结果的可能性。要计算选择的预期效用，只需从预期收益中减去该决策的成本。预期收益等于该选择可能产生的所有结果的总值，每个值乘以它可能发生的可能性。以下是我们如何根据上面的示例计算这些值：a

0.0000

0

4

0

关注作者

收藏

詹惠儿

逻辑回归分类

Logistic回归不仅限于解决二元分类问题。为了解决具有多个类的问题，我们可以使用Logistic回归的扩展，其包括多项Logistic回归和Ordinal Logistic回归。让我们来看一下他们的基本想法：1.多项Logistic回归：假设我们的目标变量有K = 4类。该技术通过拟合K-1独立二元逻辑分类器模型来处理多类问题。为此，它随机选择一个目标类作为参考类，并适合K-1回归

0.0000

0

1

0

关注作者

收藏

詹惠儿

基本概率模型

相互排斥：任何两个事件在具有非重叠结果时是互斥的，即如果A和B是两个相互排斥的事件，那么，（）P（A capB）=0。根据概率a的加法规则，A和B是不相交或相互排斥的事件。独立：如果一个事件对另一个事件没有影响，则任何两个事件彼此独立，即一个事件的发生不影响另一个事件的发生。如果A和B是两个独立事件，那么，a求和规则：求和规则表明a这也称为边际概率，因为它通过删除表

0.0000

0

2

0

关注作者

收藏

詹惠儿

概率提供有关事件发生可能性的信息。深入研究概率的术语：试验或实验：导致某种可能性结果的行为。样本空间：实验的所有可能结果的集合。事件：样本空间的非空子集称为事件。因此，在技术术语中，概率是衡量事件进行实验的可能性的指标。基本概率计算根据定义，如果A是实验的事件并且它包含n个结果而S是样本空间那么，a因此，概率值介于0和1之间。由于样本空间是整个可能

0.0000

0

5

0

关注作者

收藏

詹惠儿

理解关联规则

产品规则产品规则声明， \ begin {equation} P（X \ cap Y）= P（X | Y）* P（Y）\ end {equation}因此，X和Y都将发生的联合概率等于两个项的乘积：事件Y发生的概率。在已经发生Y的情况下发生X的概率。根据产品规则，可以推断出以下内容， a连锁规则推广产品规则会导致链规则。设，，E1，E2，....En是

0.0000

0

3

0

关注作者

收藏

詹惠儿

简述贝叶斯定理

条件概率顾名思义的条件概率在特定事件的发生概率在满足一个或多个条件时变化时发挥作用（这些条件再次是事件）。用技术术语来说，如果X和Y是两个事件，那么X wrt Y的条件概率用a表示。因此，当我们以条件概率的方式进行讨论时，仅作为一个例子，我们做出一个声明，如“给定Y已经发生的事件X的概率”。如果X和Y是独立事件怎么办？根据独立事件的定义，事件X的发生不依赖于事件Y.因此，a

0.0000

0

3

0

关注作者

收藏

PGC123

python 中框架、库、包、模块的区别是什么？

1、python模块（module）模块主要由类和函数组成，表现形式为：写的代码保存为文件。这个文件就是一个模块。*****.py 其中文件名*****为模块名字。模块中一般会包含如下代码if __name__=="_main_":这个文件既可以被其他程序调用，也可以独立运行。2、python包（package）包是一个有层次的文件目录结构，它定义了由n个模块或n个子包组成的pyt

300.0000

1

5

0

关注作者

收藏

zxq997

one-hot 编码和哑变量的区别？

one-hot编码：如果一个数据集的特征是分类变量，如：{小学，初中，高中，大学}。这时候可以使用one-hot编码，将拥有的状态就是1，未拥有的状态就是0。有几个状态就有几位数。例如：数据集：小明：小学 1000小红：初中 0100小兰：大学 0001小张：高中 0010哑变量：上述的数据集，如若变成哑变量的形式

0.0000

0

1

0

关注作者

收藏

詹惠儿

决策树模型要注意什么

当决策树表示具有最少数量的级别或问题的大多数数据时，它被认为是最佳的。旨在创建优化决策树的算法包括CART，ASSISTANT，CLS和ID3 / 4/5。还可以通过构建关联规则来创建决策树，将目标变量放在右侧。每种方法都必须确定哪种方法是在每个级别拆分数据的最佳方法。这样做的常用方法包括测量基尼杂质，信息增益和方差减少。在机器学习中使用决策树有几个优点：使用树来预测数据的成本随着每个附

300.0000

1

4

0

关注作者

收藏

詹惠儿

简述决策树学习

决策树还可用于帮助构建自动预测模型，其在机器学习，数据挖掘和统计中具有应用。这种方法称为决策树学习，它考虑了有关项目的预测，以预测该项目的价值。在这些决策树中，节点代表数据而不是决策。这种类型的树也称为分类树。每个分支包含一组属性或分类规则，这些属性或分类规则与特定类标签相关联，该标签位于分支的末尾。这些规则也称为决策规则，可以用if-then子句表示，每个决策或数据值构成一个子句，例如

0.0000

0

3

0

关注作者

收藏

詹惠儿

简述双侧检验

双尾检验ħ 1：参数不等于值的另一种方式来写不等于是注意不等式点两侧决策规则：如果ts cv （右），则拒绝H 0决策规则可归纳如下：如果检验统计量落在临界区域，则拒绝H 0（如果测试统计值比临界值更极端，则拒绝H 0）有限总体校正因子如果样本量大于种群大小的5％并且采样没有替换，则需要对平均值的标准误差进行校正。在下文中，N是种群大小，n是

0.0000

0

5

0

关注作者

收藏

詹惠儿

单侧检验有哪几种

假设检验主要分为单侧假设检验和双侧假设检验，其中单侧假设检验包括左尾和右侧假设检验检验类型由备择假设（H 1）确定 a左尾检验H 1：参数 cv，则拒绝H 0a

0.0000

0

1

0

关注作者

收藏

詹惠儿

简述中心极限定理

样本均值的采样分布统计学家不是使用个人分数，而是经常使用采样。也就是取几个样本，计算每个样本的平均值，然后将平均值用作数据，而不是使用单个分数。样本是样本均值的采样分布。当计算所有可能的样本均值时，则满足以下属性：样本平均值将是人口的平均值样本均值的方差是总体的方差除以样本大小。样本均值的标准偏差（称为均值的标准误差）将小于总体标准差，并且将等于总体的标准偏差除以样本大小的平方根。如

0.0000

0

3

0

关注作者

收藏

詹惠儿

如何区别for和apply

一个for循环使用相同的函数调用适用于对象的集合。R有一系列功能，apply家庭，可以大致相同的方式使用。该apply家族成员包括apply - 应用于数组的边距（例如矩阵的行或列）lapply - 申请对象和返回列表sapply - 如果可能，应用于对象并返回简化对象（数组）vapply- 类似sapply但您指定迭代返回的对象类型它们中的每一个都有一个参数FUN，该参数将函数应用于对

0.0000

0

3

0

关注作者

收藏

詹惠儿

机器学习如何运作

机器学习如何运作机器学习算法通常被分类为监督或无监督。监督算法要求具有机器学习技能的数据科学家或数据分析师提供输入和期望输出，此外还提供关于算法训练期间预测准确性的反馈。数据科学家确定模型应分析和使用哪些变量或特征来开发预测。培训完成后，算法将学到的内容应用于新数据。无监督算法不需要用期望的结果数据进行训练。相反，他们使用称为深度学习的迭代方法来审查数据并得出结论。无监督学习算法 - 也称为

0.0000

0

3

0

关注作者

收藏

詹惠儿

机器学习概述

机器学习概述机器学习（ML）是一种算法类别，它允许软件应用程序在未经明确编程的情况下更准确地预测结果。机器学习的基本前提是构建可以接收输入数据的算法，并使用统计分析预测输出，同时在新数据可用时更新输出。机器学习中涉及的过程类似于数据挖掘和预测建模。两者都需要搜索数据以查找模式并相应地调整程序操作。许多人都熟悉通过互联网购物和提供与购买相关的广告的机器学习。这是因为推荐引擎使用机器学习几乎实

0.0000

0

3

0

关注作者

收藏

詹惠儿

什么是似然估计？

似然比检验似然比检验提供了用于比较一个模型（例如，完整模型）下的数据的可能性与另一个更受限制的模型（例如，截距模型）下的数据的可能性的手段。a其中' p ' 是逻辑模型预测概率。下一步是计算这两个对数似然之间的差异。 a两个可能性之间的差异乘以因子2，以便使用标准显着性水平（Chi2检验）评估统计显着性。测试的自由度将等于模型下估计的参数数量的差异（例如，完整和截距）。 Wald

0.0000

0

2

0

关注作者

收藏

<1…232233234…340>

CDA考试动态

CDA报考指南