- 博客(64)
- 收藏
- 关注
RSS订阅原创 K-means + 随机森林：银行信贷客户风险评估
本次使用的德国银行信贷数据集字段数据类型说明取值 / 单位Age数值型（int64）客户年龄19-75 岁Sex分类型（object）客户性别male（男性）、female（女性）Job数值型（int64）职业技能等级0（无技能且非常驻）、1（无技能且常驻）、2（有技能）、3（高技能）Housing分类型（object）住房类型own（自有）、rent（租房）、free（免租）分类型（object）储蓄账户状况。
2025-09-15 21:15:34
1060
原创 随机森林模型：基于天气数据集的分类任务全流程解析
本次使用的天气分类数据集（weather_classification_data.csv）列名中文解释单位数据类型备注温度摄氏度数值型（float64）范围 - 25°C~109°C，含极端异常值Humidity湿度数值型（int64）合理范围 0%~100%，部分数据超上限Wind Speed风速km/h数值型（float64）含台风等极端高风速数据降水量数值型（float64）部分数据超 100%，需异常值处理云量分类型（object）
2025-09-15 16:49:34
1013
1
原创 数据分析模型和方法
RFM分析模型用来对用户进行分类，并判断每类细分用户的价值。该模型通过客户的近期购买行为、消费频率以及消费金额 3 项指标来描述该客户的价值状况。通过这三个关键指标判断客户价值并对客户进行观察和分类，针对不同的特征的客户进行相应的营销策略。
2025-03-10 15:57:58
998
原创 统计学基础知识总结_02
（1）Z分布的产生主要基于统计学中对数据标准化的需求，以及对数据点相对于其所在数据集平均值的偏离程度进行量化的需求；（2）计算方法1）计算Z_score的过程实际上是将原始数据标准化的过程，使得得到的分数反映了原始数据点距离平均值的相对位置，并以标准差为单位衡量。这种转换后的数据使不同数据集或不同测量尺度上的数据可以直接进行比较；2）公式：其中X为原始分数，Xˉ为原始分的平均数，S为原始分的标准差。若Z=0，表示观察值等于平均值；若Z>0，表示观察值高于平均值；若Z<0，表示观察值低于平均值；（3）与Z-
2025-03-10 15:48:27
1311
原创 统计学基础知识总结_01
描述统计学主要用于总结和描述数据的基本特征，是以便利化和信息化的方式对数据进行整理、汇总、显示的一种方法。描述统计学的一种形式是图表法，用可视化的方式让读者较为容易地获取有用的信息。推断统计学是利用样本数据信息对总体特征做出推断的一系列方法。
2025-03-10 15:06:43
1063
原创 CDAM 第九章 数据资产跨境流通
在全球数字经济蓬勃发展的背景下，数据资产跨境流通已成为推动全球经济增长和国际合作的重要驱动力。然而，数据跨境流通也面临着数据主权、安全、隐私保护等多方面的挑战。本章将详细解读数据资产跨境流通的趋势、政策环境、管理要求以及相关实践。
2025-03-05 15:38:42
735
原创 CDAM 第八章 数据资产运营
数据资产运营是指对企业的数据资源进行系统化管理和优化，以解决数据管理中的问题，并实现数据的高效利用和价值最大化。其核心在于将数据作为一种全新的资产形态，采用资产管理的标准和要求，推动数据的高效应用。数据资源化运营将原始数据转化为生产资源，包括数据的集成、清洗、标准化等治理工作，为数据的进一步开发和应用奠定基础。数据资产化运营把数据当作生产资源进行开发和应用，最大化数据的价值。这通常涉及数据产品的研发和利用，类似于数据的“生产运营”。数据资本化运营。
2025-03-05 14:26:42
934
原创 CDAM 第七章 数据资产利益分配机制
在数据要素市场中，数据资产利益分配机制是确保数据要素市场健康、可持续发展的关键环节。合理的利益分配不仅能激励数据的创造和流通，还能促进社会公平与共同富裕。本章将详细解读我国数据资产利益分配机制的历史背景、理论基础以及具体的实施模式。
2025-03-05 14:23:05
669
原创 CDAM 第六章 数据资产入表
数据资产入表是数据要素市场化的重要里程碑，它不仅标志着数据从无形资源向有形资产的转变，更为企业和社会带来了深远的经济和管理价值。本章将详细解读数据资产入表的准备工作、意义、实践挑战以及相关财务影响等内容。
2025-03-05 11:53:00
603
原创 CDAM 第五章 数据资产交易
数据资产交易是数据要素市场体系的核心环节，也是数字经济发展的关键驱动力。随着我国数据要素资源规模的不断扩大，数据交易市场日益繁荣，数据资产交易的规范化和市场化进程也在加速推进。本章将详细解读数据资产交易的整体流程、交易标的、交易平台的国内外对比，以及数据交易的先决条件和参与方等内容。
2025-03-05 11:50:11
1276
原创 CDAM 第四章 数据资产价值评估
在数据要素市场中，数据资产的价值评估是实现数据资产化和市场化流通的关键环节。科学合理的数据资产评估不仅能够为数据交易提供定价依据，还能帮助企业更好地管理数据资产，提升数据资产的经济效益。本章将详细解读数据资产价值评估的目的、流程、方法及相关要点。
2025-03-03 16:30:22
838
原创 CDAM 第三章 数据资产确权
在数据要素市场中，数据资产确权是数据流通和交易的基础，也是数据资产化的核心环节。明确数据资产的权属关系，不仅能够保障数据所有者的合法权益，还能为数据的合规使用和价值实现提供法律依据。本章将详细解读数据资产确权的相关内容。
2025-03-03 16:21:51
859
原创 CDAM 第二章 我国数据要素理论
近年来，随着数字经济的蓬勃发展，数据作为一种重要的生产要素，其价值和作用日益凸显。我国在数据要素理论和实践方面进行了积极探索，并形成了具有中国特色的理论体系。本章将详细解读我国数据要素理论的核心内容及其重要意义。
2025-03-03 16:12:41
1055
原创 CDAM 第一章 数据资产管理理论
数据的定义：数据是对信息的记录，是客观的、无序的，作为新型生产要素，数据已融入生产、分配、流通、消费和社会服务管理等各个环节。数据的价值：数据是数字经济发展的关键生产要素，蕴含着巨大的经济价值与社会价值。数据资产是指可以作为资产入表或交易的数据资源，具有独特性，如确权难、估值难、不会消耗、无形等特征。
2025-03-03 16:05:24
1033
原创 Seaborn知识总结
Seaborn 提供了一组高级函数和方法，可以使得创建常见的统计图表变得简单，例如散点图、线性回归图、箱线图、直方图、核密度估计图、热图等等。无需像 Matplotlib 一样写大量的代码；（2）：Seaborn 包含了一些内置的示例数据集，这些数据集可以用于练习和演示。这些数据集通常与示例图表一起使用，以帮助用户更好地理解如何使用 Seaborn 创建可视化。（3）：Seaborn 支持许多常用的统计图表类型，如散点图、折线图、条形图、箱线图、热图、小提琴图、分类散点图、成对关系图等。
2025-03-01 19:21:21
1038
原创 Pandas 基础知识总结
（1）Pandas基于Numpy开发，提供了快速、灵活、明确的数据结构，旨在简单、直观地处理数据；（2）Pandas适用于处理以下类型的数据：有序和无序的时间序列数据；带行列标签的矩阵数据，包括同构或异构型数据；与SQL或Excel表类似的，含异构列的表格数据；任意其他形式的观测、统计数据集，数据转入Pandas数据结构时不必事先标记；（3）Pandas主要数据结构是Series(一维数据)与DataFrame(二维数据)；
2025-03-01 17:54:34
384
原创 Numpy基础知识
👏想了解更多统计学、数据分析、数据开发、机器学习算法、深度学习等有关知识的宝子们，可以关注小编，希望以后我们一起成长！：处理任意维度的数组与矩阵，比Python原生数据结构更高效。：简化复杂计算，支持矢量化运算，底层C实现速度快。：共享原始数据内存，修改视图会影响原数组。：完全独立的新数组，修改不影响原数据。：0轴（层）、1轴（行）、2轴（列）：列方向（横向操作，如按行求均值）：行方向（纵向操作，如按列求和）：末尾追加元素（生成新数组）
2025-03-01 16:53:24
487
原创 Python 基础知识全面总结
使用单引号、双引号或三引号定义。Python的基础知识涵盖了从语法到高级特性的方方面面。无论是标识符、关键字、数据类型，还是面向对象、异常处理、模块与包，每一个知识点都是构建Python程序的基石。希望这份总结能帮助你更好地掌握Python的核心概念，提升编程能力。如果你对某个部分还有疑问，欢迎留言交流！👏想了解更多统计学、数据分析、数据开发、数据治理、机器学习算法、深度学习等有关知识的宝子们，可以关注小编，希望以后我们一起成长！
2025-03-01 15:51:48
1834
原创 机器学习_19 集成学习知识点总结
集成学习通过组合多个学习器（通常称为“弱学习器”）的预测结果，构建一个更强的模型（“强学习器”）。其核心思想是利用多个模型的多样性，减少单一模型的偏差和方差，从而提高整体性能。
2025-02-17 22:50:13
885
原创 机器学习_18 K均值聚类知识点总结
K均值聚类（K-means Clustering）是一种经典的无监督学习算法，广泛应用于数据分组、模式识别和降维等领域。它通过将数据划分为K个簇，使得簇内相似度高而簇间相似度低。今天，我们就来深入探讨K均值聚类的原理、实现和应用。
2025-02-17 22:44:47
1027
原创 机器学习_17 K近邻算法知识点总结
K近邻算法（K-Nearest Neighbors，KNN）是一种简单而直观的机器学习算法，广泛应用于分类和回归任务。它通过寻找训练集中与新样本最接近的K个样本（近邻）来进行预测。今天，我们就来深入探讨K近邻算法的原理、实现和应用。
2025-02-17 22:38:34
865
原创 机器学习_16 朴素贝叶斯知识点总结
朴素贝叶斯算法基于贝叶斯定理，通过计算给定特征条件下每个类别的概率，选择概率最大的类别作为预测结果。其核心假设是特征之间相互独立，这一假设虽然在现实中往往不成立，但朴素贝叶斯在许多任务中仍然表现出色。
2025-02-17 22:32:14
1187
原创 机器学习_15 支持向量机知识点总结
支持向量机（Support Vector Machine，SVM）是一种强大的监督学习算法，广泛应用于分类和回归任务。SVM的核心思想是通过寻找最优超平面来最大化不同类别数据点之间的间隔，从而实现分类或回归。今天，我们就来深入探讨支持向量机的原理、实现和应用。
2025-02-17 22:22:32
1261
原创 机器学习_14 随机森林知识点总结
随机森林（Random Forest）是一种强大的集成学习算法，广泛应用于分类和回归任务。它通过构建多棵决策树并综合它们的预测结果，显著提高了模型的稳定性和准确性。今天，我们就来深入探讨随机森林的原理、实现和应用。
2025-02-17 22:15:19
722
原创 机器学习_13 决策树知识总结
决策树是一种直观且强大的机器学习算法，广泛应用于分类和回归任务。它通过树状结构的决策规则来建模数据，易于理解和解释。今天，我们就来深入探讨决策树的原理、实现和应用。
2025-02-17 22:08:18
1142
原创 机器学习_12 逻辑回归知识点总结
逻辑回归是机器学习中一种重要的分类算法，广泛应用于二分类和多分类问题。它不仅能够预测分类结果，还能提供每个类别的概率估计。今天，我们就来深入探讨逻辑回归的原理、实现和应用。
2025-02-17 22:00:58
912
原创 机器学习_11 线性回归知识点总结
线性回归是一种用于建立自变量（特征）与因变量（目标）之间线性关系的统计分析方法。它的目标是通过最小化预测值与真实值之间的误差，找到最佳的线性模型。
2025-02-17 21:52:59
1200
原创 数据管理和组织变革管理——推动数据驱动的文化变革
DAMA数据管理知识体系指南（第二版）》的第十七章深入探讨了数据管理和组织变革管理的关系，提供了实施组织变革管理的策略和方法，帮助组织顺利推进数据管理项目，实现数据驱动的文化变革。组织变革管理是数据管理成功实施的关键。通过有效的组织变革管理，可以推动数据管理项目的顺利推进，促进数据文化的形成，支持业务转型和创新。让我们一起努力，掌握组织变革管理的技巧，提升数据管理的质量和效率，从而实现数据驱动的业务成功。：数据管理的成功实施依赖于组织变革管理的支持，而组织变革管理的成功又依赖于数据管理带来的价值和效益。
2025-02-11 08:35:28
547
原创 数据管理组织与角色期望：构建高效的数据管理团队
DAMA数据管理知识体系指南（第二版）》第十六章深入探讨了数据管理组织与角色期望，为构建高效的数据管理团队提供了宝贵的指导。一个高效的数据管理组织能够帮助企业更好地利用数据，提升决策的科学性和准确性，从而在激烈的市场竞争中占据优势。通过明确的组织结构、关键成功因素和有效的沟通机制，企业能够更好地管理和利用数据，提升数据管理的质量和效率。数据管理组织的结构多种多样，常见的有分散运营模式、网络运营模式、集中运营模式、混合运营模式和联邦运营模式。：数据管理的实施应是一个逐步演进的过程，避免激进的变革导致混乱。
2025-02-11 08:35:13
836
原创 数据管理成熟度评估——衡量与提升数据管理能力
DAMA数据管理知识体系指南（第二版）》的第十五章详细介绍了数据管理成熟度评估（DMMA）的概念、活动、工具、方法以及实施指南，帮助组织评估其数据管理能力，识别改进方向，并制定有效的提升策略。通过系统化的评估方法，组织可以识别数据管理能力的差距，制定改进计划，并持续提升数据管理的成熟度水平。让我们一起努力，掌握数据管理成熟度评估的技巧，提升数据管理的质量和效率，从而实现数据驱动的业务成功。通过DMMA，组织可以了解其当前的数据管理能力，识别差距，并制定改进计划，从而提升数据管理的整体效能。
2025-02-10 15:39:47
731
原创 大数据和数据科学——解锁数据潜力，驱动创新与洞察
大数据和数据科学是当今数据管理领域的重要技术，通过有效的大数据管理和数据科学应用，组织能够更好地利用数据支持决策、优化业务流程、提升客户体验和实现业务创新。让我们一起努力，掌握大数据和数据科学的技巧，提升数据管理的质量和效率，从而实现数据驱动的业务成功。是一门跨学科领域，结合了统计学、计算机科学和领域知识，通过数据挖掘、机器学习和数据分析等方法，从数据中提取有价值的信息和洞察。管理大数据和数据科学项目的元数据，支持数据的可追溯性和一致性。确保大数据和数据科学项目的数据质量，提升数据的可靠性和可用性。
2025-02-10 15:35:49
817
原创 数据质量：提升数据价值，驱动业务成功
DAMA数据管理知识体系指南（第二版）》的第十三章深入探讨了数据质量的重要性、管理活动、工具、方法以及实施指南，帮助组织提升数据质量，从而更好地支持业务发展。数据质量管理是数据管理的核心环节，通过定义、评估、监控和改进数据质量，组织能够更好地利用数据支持决策、优化业务流程、提升客户体验和满足法规要求。让我们一起努力，掌握数据质量管理的技巧，提升数据管理的质量和效率，从而实现数据驱动的业务成功。建立数据质量管理的度量指标，监控数据质量管理的效果和改进方向。
2025-02-10 15:31:27
789
原创 元数据管理：数据背后的“数据”，助力数据治理与洞察
元数据，即“关于数据的数据”，它如同数据的“身份证”，记录着数据的来源、结构、质量、用途等重要信息，是数据管理的基石。有效的元数据管理能够提高数据的透明度和可用性，帮助组织更好地理解和利用数据，从而实现数据驱动的决策和业务创新。元数据是数据的“说明书”，它帮助我们理解数据的含义、来源、结构和用途，是数据治理和数据质量提升的关键支撑。：通过数据血缘分析，追踪数据的来源和流向，理解数据之间的关系，支持数据治理和质量改进。：建立元数据存储库，收集、存储和更新元数据，确保元数据的准确性和完整性。
2025-02-10 15:27:11
741
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人