- 博客(70)
- 收藏
- 关注
RSS订阅原创 肥胖风险的多类预测——CatBoost模型的89%
评价：效果提升了不少，有0.79左右，接下来我选择使用CatBoost模型（因为是我个人比较喜欢的模型，最终我也是采用了CatBoost模型）评价：效果又提升了不少，准确率突破了0.80，但是无论我后续我怎么调节参数，准确率都在 0.8~0.85 之间，没有得到明显提升。参数调节：也是简单测试几个不同的参数，不进行复杂调参，而且SVM效率很慢（对当前数据集），训练时间长，可以优先考虑其他模型。评价：不需要太复杂的调参，模型效果就得到了很大的提升，准确率提升到了0.892，模型效果很好了。
2025-05-03 21:07:51
717
原创 Python自动化：基于faker批量生成模拟数据（以电商行业销售数据为例）
“造数据”是一个数据分析师的基本技能，“造数据”不是说胡编乱造，而是根据自己的需求去构造一些模拟数据集，用于测试等用途，而且使用虚拟数据不用担心数据隐私和安全问题。
2025-01-19 20:20:43
1413
原创 数据分析思维（十一）：应用篇——用数据分析解决问题
数据分析并非只是简单的数据分析工具三板斧——Excel、SQL、Python，更重要的是数据分析思维。没有数据分析思维和业务知识，就算拿到一堆数据，也不知道如何下手。
2025-01-12 22:24:22
1885
1
原创 数据分析思维（十）：分析方法——漏斗分析方法
数据分析并非只是简单的数据分析工具三板斧——Excel、SQL、Python，更重要的是数据分析思维。没有数据分析思维和业务知识，就算拿到一堆数据，也不知道如何下手。
2025-01-09 19:06:42
1374
原创 数据分析思维（九）：分析方法——AARRR模型分析方法
数据分析并非只是简单的数据分析工具三板斧——Excel、SQL、Python，更重要的是数据分析思维。没有数据分析思维和业务知识，就算拿到一堆数据，也不知道如何下手。
2025-01-08 23:58:41
1502
原创 数据分析思维（八）：分析方法——RFM分析方法
数据分析并非只是简单的数据分析工具三板斧——Excel、SQL、Python，更重要的是数据分析思维。没有数据分析思维和业务知识，就算拿到一堆数据，也不知道如何下手。
2025-01-05 21:00:45
1597
原创 数据分析思维（七）：分析方法——群组分析方法
数据分析并非只是简单的数据分析工具三板斧——Excel、SQL、Python，更重要的是数据分析思维。没有数据分析思维和业务知识，就算拿到一堆数据，也不知道如何下手。
2025-01-02 11:51:19
1531
1
原创 数据分析思维（六）：分析方法——相关分析方法
数据分析并非只是简单的数据分析工具三板斧——Excel、SQL、Python，更重要的是数据分析思维。没有数据分析思维和业务知识，就算拿到一堆数据，也不知道如何下手。
2024-12-30 20:17:36
1339
原创 数据分析思维（五）：分析方法——假设检验分析方法
数据分析并非只是简单的数据分析工具三板斧——Excel、SQL、Python，更重要的是数据分析思维。没有数据分析思维和业务知识，就算拿到一堆数据，也不知道如何下手。
2024-12-23 23:48:17
1713
原创 数据分析思维（四）：分析方法——对比分析方法、A/B测试
数据分析并非只是简单的数据分析工具三板斧——Excel、SQL、Python，更重要的是数据分析思维。没有数据分析思维和业务知识，就算拿到一堆数据，也不知道如何下手。
2024-12-20 20:09:56
1582
原创 数据分析思维（三）：分析方法——多维度拆解分析方法
数据分析并非只是简单的数据分析工具三板斧——Excel、SQL、Python，更重要的是数据分析思维。没有数据分析思维和业务知识，就算拿到一堆数据，也不知道如何下手。
2024-12-17 21:34:11
1716
原创 数据分析思维（二）：分析方法——5W2H分析方法、逻辑树分析方法、行业分析方法
数据分析并非只是简单的数据分析工具三板斧——Excel、SQL、Python，更重要的是数据分析思维。没有数据分析思维和业务知识，就算拿到一堆数据，也不知道如何下手。
2024-12-14 16:40:11
1341
原创 数据分析思维（一）：业务指标（数据分析并非只是简单三板斧）
数据分析并非只是简单的数据分析工具三板斧——Excel、SQL、Python，更重要的是数据分析思维。没有数据分析思维和业务知识，就算拿到一堆数据，也不知道如何下手。
2024-12-11 20:44:58
1734
原创 假设检验：单/双变量假设检验
原假设（H）与备择假设(H）显著性水平（α）：常用值：0.05（5%）或 0.01（1%）。统计量第一类错误和第二类错误：第一类错误 (α)：当 H0 为真时，错误地拒绝 H0。第二类错误 (β)：当 H0 为假时，错误地接受 H0。权衡：降低 α 会增加 β，需要根据问题的重要性平衡两类错误。提出假设：建立两个互斥的假设，即原假设 H0 和备择假设 H1。选择检验方法（如 t-检验、卡方检验）。设定显著性水平：通常取 α=0.05 或 α=0.01。
2024-12-08 22:09:33
1809
原创 数据分析实战项目：基于K-means的客户细分（集群分析）
根据上述探索性分析，模型能从多个不同方面很好的展现群体之间的差异，说明模型效果良好。
2024-12-05 22:11:23
1920
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