<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[geilip的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/geilip</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; geilip]]></copyright><item><title><![CDATA[知识体系_数据分析挖掘_04_机器学习算法_分类_朴素贝叶斯]]></title><link>https://blog.youkuaiyun.com/geilip/article/details/157992728</link><guid>https://blog.youkuaiyun.com/geilip/article/details/157992728</guid><author>geilip</author><pubDate>Wed, 18 Feb 2026 21:22:38 +0800</pubDate><description><![CDATA[朴素贝叶斯算法是基于的简单概率分类器，它，因此被称为“朴素”。这个模型在许多领域如文本分类、垃圾邮件过滤、情感分析等都有广泛的应用，]]></description><category></category></item><item><title><![CDATA[知识体系_数据分析挖掘_04_机器学习算法_分类_KNN]]></title><link>https://blog.youkuaiyun.com/geilip/article/details/157980739</link><guid>https://blog.youkuaiyun.com/geilip/article/details/157980739</guid><author>geilip</author><pubDate>Thu, 12 Feb 2026 08:20:44 +0800</pubDate><description><![CDATA[KNN（K Nearest Neighbor）即K最邻近，是有监督学习中较为通俗易懂的分类算法。KNN的核心思想很简单，即近朱者赤、近墨者黑，通过K个最近的实例投票决定新实例的类别，它不同于贝叶斯、决策树等算法，KNN不需要训练，只有预测，在类边界比较整齐的情况下分类的准确率很高。]]></description><category></category></item><item><title><![CDATA[知识体系_数据分析挖掘_问卷分析_NPS(净推荐值)分析]]></title><link>https://blog.youkuaiyun.com/geilip/article/details/154500759</link><guid>https://blog.youkuaiyun.com/geilip/article/details/154500759</guid><author>geilip</author><pubDate>Thu, 06 Nov 2025 22:35:13 +0800</pubDate><description><![CDATA[NPS（净推荐值）分析]]></description><category></category></item><item><title><![CDATA[知识体系_大数据框架环境搭建_虚拟机环境准备]]></title><link>https://blog.youkuaiyun.com/geilip/article/details/152651661</link><guid>https://blog.youkuaiyun.com/geilip/article/details/152651661</guid><author>geilip</author><pubDate>Tue, 07 Oct 2025 22:52:20 +0800</pubDate><description><![CDATA[介绍基于虚拟机软件VMware Fusion的虚拟机安装、配置、克隆等操作]]></description><category></category></item><item><title><![CDATA[知识体系_scala_利用scala和spark构建数据应用]]></title><link>https://blog.youkuaiyun.com/geilip/article/details/152610304</link><guid>https://blog.youkuaiyun.com/geilip/article/details/152610304</guid><author>geilip</author><pubDate>Mon, 06 Oct 2025 21:33:16 +0800</pubDate><description><![CDATA[https://blog.youkuaiyun.com/wanglingli95/article/details/134154006https://blog.youkuaiyun.com/weixin_39198406/article/details/128277964]]></description><category></category></item><item><title><![CDATA[Python从入门到精通_01_python基础]]></title><link>https://blog.youkuaiyun.com/geilip/article/details/151332561</link><guid>https://blog.youkuaiyun.com/geilip/article/details/151332561</guid><author>geilip</author><pubDate>Mon, 08 Sep 2025 21:55:10 +0800</pubDate><description><![CDATA[在python文件的第一行，输入以下语句，可以将python文件的编码格式设置为utf-8。]]></description><category></category></item><item><title><![CDATA[Python从入门到精通_00_初识python]]></title><link>https://blog.youkuaiyun.com/geilip/article/details/151195683</link><guid>https://blog.youkuaiyun.com/geilip/article/details/151195683</guid><author>geilip</author><pubDate>Sun, 07 Sep 2025 22:44:25 +0800</pubDate><description><![CDATA[python简介和开发环境准备]]></description><category></category></item><item><title><![CDATA[知识体系_研究模型_价格敏感度测试模型(PSM)]]></title><link>https://blog.youkuaiyun.com/geilip/article/details/148638590</link><guid>https://blog.youkuaiyun.com/geilip/article/details/148638590</guid><author>geilip</author><pubDate>Sun, 15 Jun 2025 22:02:34 +0800</pubDate><description><![CDATA[价格敏感度测试模型(Price Sensitivity Measurement，PSM) ，通过调研潜在用户对于不同价格的满意或接受程度，从而制定出合适的产品价格。价格敏感度PSM模型的分析一般分为以下几个步骤：（1）确定多个价格（2）通过一定的方式(通常是问卷)收集目标客户对不同价格的看法（太便宜、比较便宜、比较贵、太贵）（3）计算累计占比（太便宜和比较便宜向上累计，比较贵和太贵向下累计）]]></description><category></category></item><item><title><![CDATA[知识体系_数据分析挖掘_基尼系数]]></title><link>https://blog.youkuaiyun.com/geilip/article/details/148098937</link><guid>https://blog.youkuaiyun.com/geilip/article/details/148098937</guid><author>geilip</author><pubDate>Tue, 20 May 2025 23:02:31 +0800</pubDate><description><![CDATA[基尼系数(gini coefficient)表示在全部居民收入中，用于进行不平均分配的那部分收入占总收入的百分比。社会中每个人的收入都一样、收入分配绝对平均时，基尼系数是0；全社会的收入都集中于一个人、收入分配绝对不平均时，基尼系数是1。现实生活中，两种情况都不可能发生，基尼系数的实际数值只能介于0～1之间。一般认为，基尼系数小于0.2时，显示居民收入分配过于平均，0.2 ~ 0.3之间时较为平均，0.3 ~ 0.4之间时比较合理，0.4 ~ 0.5时差距过大，大于0.5时差距悬殊。]]></description><category></category></item><item><title><![CDATA[知识体系_研究模型_用户体验度量模型]]></title><link>https://blog.youkuaiyun.com/geilip/article/details/147546507</link><guid>https://blog.youkuaiyun.com/geilip/article/details/147546507</guid><author>geilip</author><pubDate>Mon, 28 Apr 2025 12:40:32 +0800</pubDate><description><![CDATA[CSAT(Customer Satisfaction)指客户满意度，PAST(Product Satisfaction)指产品满意度。顾名思义，其用于衡量客户对产品或服务的体验度量指标。在用户完成某个产品或某项服务的体验后，对其进行满意度调查，以了解用户对产品或服务的满意程度。通常会用1~5分的，选项一般是：非常满意（5分）、满意（4分）、一般（3分）、不满意（2分）、非常不满意（1分）；然后计算那些选择”非常满意“和”满意“的用户比例作为”用户满意度评分“，该值越接近100%，说明用户越满意。]]></description><category></category></item><item><title><![CDATA[知识体系_数据去量纲化处理方式]]></title><link>https://blog.youkuaiyun.com/geilip/article/details/147569688</link><guid>https://blog.youkuaiyun.com/geilip/article/details/147569688</guid><author>geilip</author><pubDate>Sun, 27 Apr 2025 23:37:51 +0800</pubDate><description><![CDATA[数据分析中，通常需要对数据预处理，数据标准化是其中一类处理方法，旨在统一数据量纲和方向一致性]]></description><category></category></item><item><title><![CDATA[知识体系_统计学_05_单总体参数估计]]></title><link>https://blog.youkuaiyun.com/geilip/article/details/145622146</link><guid>https://blog.youkuaiyun.com/geilip/article/details/145622146</guid><author>geilip</author><pubDate>Sun, 30 Mar 2025 23:15:06 +0800</pubDate><description><![CDATA[为了推断总体的某些特征（如总体均值、总体比例、总体方差），需要采用一定抽样技术从总体中抽取若干个体，所抽取的部分个体称为样本，样本中所包含个体的数量称为样本量。例如研究某城市居民家庭收入时，随机抽取1000户进行调查，这1000户就是一个样本，样本量是1000，以这1000个个体的收入来推断总体的居民家庭收入，可靠性如何？正是抽样分布要研究的问题。设是从总体中抽取的样本量为n的一个样本，由此样本构造一个函数不依赖于任何未知的参数，则称函数。]]></description><category></category></item><item><title><![CDATA[知识体系_统计学_21_概率分布表]]></title><link>https://blog.youkuaiyun.com/geilip/article/details/146283910</link><guid>https://blog.youkuaiyun.com/geilip/article/details/146283910</guid><author>geilip</author><pubDate>Sun, 16 Mar 2025 10:51:25 +0800</pubDate><description><![CDATA[在利用样本统计量对总体参数进行区间估计和假设检验时，样本统计量的常见的概率分布主要有：正态分布、t分布、分布、F分布等，本文将提供这几种概率分布的概率表，便于需要查找概率值时使用。]]></description><category></category></item><item><title><![CDATA[知识体系：信用评分模型技术与应用_08_申请风险评分模型的开发与应用]]></title><link>https://blog.youkuaiyun.com/geilip/article/details/146139001</link><guid>https://blog.youkuaiyun.com/geilip/article/details/146139001</guid><author>geilip</author><pubDate>Fri, 14 Mar 2025 08:34:04 +0800</pubDate><description><![CDATA[观察期：观察、提炼与模型所要预测的风险表现有一定相关性的变量的时期表现期：提炼模型所要预测的信用表现的时期。表现期的时间长短没有明确标准，一般对于信用卡，表现期为6至18个月，购房贷款定位24至36个月。表现期长的好处是申请者的风险能充分地表现出来，但问题是由于时间太长，申请者的资信情况可能与申请时的资信情况发生较大变化，从而利用申请前的信息预测未来风险表现（长表现期）可能准确性会下降。而相反地，表现期短的好处是利用申请前的信息预测风险表现（短表现期）准确性较精准。]]></description><category></category></item><item><title><![CDATA[知识体系_统计学_03_概率及概率分布]]></title><link>https://blog.youkuaiyun.com/geilip/article/details/141279463</link><guid>https://blog.youkuaiyun.com/geilip/article/details/141279463</guid><author>geilip</author><pubDate>Fri, 24 Jan 2025 23:19:07 +0800</pubDate><description><![CDATA[概率空间（或样本空间）维恩图：概率的图形表示。]]></description><category></category></item><item><title><![CDATA[知识体系_统计学_02_描述性统计]]></title><link>https://blog.youkuaiyun.com/geilip/article/details/140674766</link><guid>https://blog.youkuaiyun.com/geilip/article/details/140674766</guid><author>geilip</author><pubDate>Fri, 24 Jan 2025 23:16:36 +0800</pubDate><description><![CDATA[对数据的概括性度量可从三方面进行测量和描述：集中趋势、离中趋势和分布形态。集中趋势，反映的是各数据向其中心值靠拢或聚集的程度；离中趋势，反映的是数据的离散程度，远离中心值的趋势；分布形态反映的是分布的偏态和峰态]]></description><category></category></item><item><title><![CDATA[知识体系_数据分析挖掘_数据指标监控与异动归因分析]]></title><link>https://blog.youkuaiyun.com/geilip/article/details/145022282</link><guid>https://blog.youkuaiyun.com/geilip/article/details/145022282</guid><author>geilip</author><pubDate>Sun, 12 Jan 2025 18:12:13 +0800</pubDate><description><![CDATA[指标异动归因分析]]></description><category></category></item><item><title><![CDATA[知识体系_统计学_07_假设检验]]></title><link>https://blog.youkuaiyun.com/geilip/article/details/143195284</link><guid>https://blog.youkuaiyun.com/geilip/article/details/143195284</guid><author>geilip</author><pubDate>Thu, 24 Oct 2024 23:20:07 +0800</pubDate><description><![CDATA[几乎所有的研究领域都要用到实验，实验设计的目的是为了验证或推翻某个假设；推断统计旨在从有限数据集上得到的实验结果作为对总体的推断，推断统计的流程：参数估计和假设检验是推断统计的两个组成部分，都是利用样本对总体进行某种推断，以抽样分布为理论依据，都是建立在概率基础上的推断，推断结果都有一定可信度和风险；参数估计和假设检验推断的角度不同，参数估计是利用样本统计量估计总体参数，总体参数在估计前是未知的。而假设检验是先对总体参数进行假设，然后利用样本的信息来检验假设是否成立。]]></description><category></category></item><item><title><![CDATA[知识体系_统计学_04_抽样]]></title><link>https://blog.youkuaiyun.com/geilip/article/details/140165743</link><guid>https://blog.youkuaiyun.com/geilip/article/details/140165743</guid><author>geilip</author><pubDate>Mon, 14 Oct 2024 22:20:33 +0800</pubDate><description><![CDATA[若我们通过某种方式抽样1000户进行调查，则这1000户是一个样本，样本量为1000（ps:我们平时容易混淆xx个样本和样本量的说法，例如我们容易将一个容量为1000的样本，表述成抽取了1000个样本，这样表达其实是错误的）从总体抽取的一个子集就称为一个样本。样本统计量：即对样本数据进行一定运算得到的值，即F(x1,x2,x3......xn)，且不依赖于任何未知的参数；推断不同的总体参数，则需要构造不同的样本统计量。总体参数：对总体数据进行一定运算，得到某些代表性的数字，用以反映数据的某些特征。]]></description><category></category></item><item><title><![CDATA[知识体系_数据分析挖掘_02_数据指标体系]]></title><link>https://blog.youkuaiyun.com/geilip/article/details/140523553</link><guid>https://blog.youkuaiyun.com/geilip/article/details/140523553</guid><author>geilip</author><pubDate>Thu, 18 Jul 2024 22:34:27 +0800</pubDate><description><![CDATA[数据指标体系搭建]]></description><category></category></item></channel></rss>