和鲸社区“训练营·数据分析业务基础”学习笔记

🐳 我正在和鲸社区参加“训练营·数据分析业务基础” 
和鲸社区 - Heywhale.com，以下是我的学习笔记：

学习主题：数据分析业务基础

日期：2023/9/20

关键概念/知识点：

• 影响数据分析的关键因素：数据指标
• 数据指标搭建的四种模型：OSM模型、AARRR模型、UJM模型、MECE模型
• RFM模型：指Recency、Frequency、Monetary，包含8个用户分类
• 对比分析法：该方法要明确比什么？怎么比？和谁比？
• 多维度拆解法：从业务指标拆解或从业务流程拆解
• 趋势分析法：使用折线图能够直观看出数据走向
• 漏斗分析法/假设检验分析法/留存分析/归因分析/路径分析
• 用户画像分析/结构分析/LTV分析

关键总结：

• KNN算法：采用测量不同特征值之间的距离方法进行分类，即：物以类聚，人以群分。
• 线性回归：回归处理的问题为预测，比如预测房价、销售额的预测、设定贷款额度等等。
• 朴素贝叶斯：一种分类算法。对于给出的待分类项，求解此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类项属于哪个类别。
• 逻辑回归：一种分类模型，对离散变量进行预测。逻辑回归的本质就是预测属于各个分类的概率，有了概率之后，就可以进行分类了。
• K-means算法：是一种聚类分析，聚类分析是无监督类机器学习算法中最常用的一类，目的是将数据划分成有意义或有用的组。
• 决策树和随机森林：决策树是一种有监督学习方法，它能够从一系列有特征和标签的数据中总结出决策规则，并用树状图的结构来呈现这些规则，以解决分类和回归问题。

问题/困惑：

• 不清楚具体的业务场景下具体使用哪一种模型进行分析
• 不清楚如何将机器学习的算法运用到业务场景中去
• 算法实现代码有待理解和练习

下一步计划：

• 完成“机器学习原理与实践训练营”
• 练习各个算法的实现代码
• 完成“数据分析业务基础训练营”中的案例报告

参考资料/相关资源链接：

• 《机器学习》周志华（西瓜书）
• 数据分析业务基础：和鲸社区 - Heywhale.com