这是一份关于《深入浅出数据分析》的读书笔记。比较枯燥,不过我尽量说得简单,感兴趣就看看。

上个周我们聊到了这本书讲到的一到三章,第一章呢是讲数据分析的一些理念,聊到数据分析开始前要了解数据背后的故事,了解数据提供者的心智模型(说白了也就是数据管理者关于数据的看法),然后才开始分析数据;第二章讲到了企业经营者或者其他人员可能对我们的分析产生干扰,企业经营者也可能对我们的分析结果进行质疑。我们要做的是,找出经营者与数据分析结果冲突的地方,从而进行解释。如果无法解释冲突点,就要合理怀疑我们根据数据分析出的结论;第三章讲了在若干约束条件情况下的最优解。

周末说说数据分析(1)

本周我们继续来聊聊这本书第四到六章。
第四章讲数据图形化和数据关系探索,里面主要讲关于大量多维数据可视化,以及寻求数据间的因果关系。书中提供了一种叫做散点图的工具用于探索二维到多维数据因果关系。关于散点图的使用,这里只需要看这个图就可以了(下图为一个描述电商系统各项运营指标和营收之间关系的散点图)

第五章讲假设检验,这章其实很简单。就是要让我们对假设证伪,而不是依据直觉。其实我想起名侦探柯南里面一句经典台词:排除所有不可能,剩下的结论无论多么不合理,都是答案。而对于无法证伪的假设,要看相关证据对假设的支持力度。选择证据支持最强的假设,同时要动态加入新的证据。
个人感觉这一章其实并不是在讲数据分析,但是在说推理,感兴趣可以看看原书。

第六章是说贝叶斯统计,就是根据一项针对某疾病的测试结果和一些统计数据,估计你得这项疾病的几率,关于贝叶斯统计和传统频率统计感觉特别烧脑。主要就是这两个东东:

1) 条件概率P(a|b):指在b事件发生时,发生a事件的概率,原书中用P(L|+)表示在已经测试为阳性的情况下,患蜥蜴流感的概率。

2)贝叶斯概率公式:P(L|+)=P(L)*P(+|L)/(P(L)*P(+|L)+P(~L)*P(+|~L)),其中P(L)+P(~L)=1, 为基础概率,新的信息会改变基础概率,此时应该用新的基础概率导入重新计算。第七章貌似也是讲贝叶斯统计,我再琢磨琢磨,下周再更。这次前两章还好,第六章对学渣来说确实太不友好了。

其实看到这里,这本书一些理念我其实非常赞同,但是就目前来说,有些实操,个人感觉最优解问题和散点图似乎都可以用于财务预测,但是贝叶斯统计暂时没想到应用场景。

本文仅作记录,下周见。

贝叶斯数据分析_周末说说数据分析(2)相关推荐

  1. 贝叶斯 定理_贝叶斯定理实际上是一个直观的分数

    贝叶斯 定理 Bayes' Theorem is one of the most known to the field of probability, and it is used often as ...

  2. pytorch贝叶斯网络_贝叶斯神经网络:2个在TensorFlow和Pytorch中完全连接

    pytorch贝叶斯网络 贝叶斯神经网络 (Bayesian Neural Net) This chapter continues the series on Bayesian deep learni ...

  3. pymc3 贝叶斯线性回归_使用PyMC3估计的贝叶斯推理能力

    pymc3 贝叶斯线性回归 内部AI (Inside AI) If you've steered clear of Bayesian regression because of its complex ...

  4. pymc3 贝叶斯线性回归_使用PyMC3进行贝叶斯媒体混合建模,带来乐趣和收益

    pymc3 贝叶斯线性回归 Michael Johns, Zhenyu Wang, Bruno Dupont, and Luca Fiaschi 迈克尔·约翰斯,王振宇,布鲁诺·杜邦和卢卡·菲亚斯基 ...

  5. 决策树模型 朴素贝叶斯模型_有关决策树模型的概述

    决策树模型 朴素贝叶斯模型 Decision Trees are one of the highly interpretable models and can perform both classif ...

  6. 贝叶斯 定理_贝叶斯定理:批判性思维框架

    贝叶斯 定理 Have you ever noticed how you can be fuming with anger one second and absolutely calm the nex ...

  7. python实现贝叶斯优化_贝叶斯优化的并行实现

    python实现贝叶斯优化 The concept of 'optimization' is central to data science. We minimize loss by optimizi ...

  8. 贝叶斯 定理_蚂蚁骰子和贝叶斯定理

    贝叶斯 定理 We have so far solved a few algorithmic/coding problems asked in programming interviews acros ...

  9. java 贝叶斯抠图_贝叶斯抠图

    贝叶斯抠图,主要是利用贝叶斯定理来进行点颜色的概率计算. 一.前景色和背景色关系 对于前景色,背景色以及当前显示的颜色,存在下面的一个关系: 其中F表示前景色,B表示背景色,C表示当前颜色,α则表示不 ...

最新文章

  1. php switch换界面,php switch的“高级”用法详解
  2. sql网站路径php,如何在源码中找出sql语句的位置呢
  3. charles都踩过哪些坑_开水果店的你,踩过了哪些坑?
  4. Linux 下编译并运行C++程序
  5. adb-常用命令记录
  6. 记录——《C Primer Plus (第五版)》第七章编程练习第六题
  7. webWMS开发过程记录(三)- 需求分析(略)
  8. 用angular中的ng-repeat和ng-show来实现tab选项卡
  9. ubuntu14.04 解决屏幕亮度无法调节的问题
  10. php7 mysql fetch row,PHP中mysql_fetch_row() 和mysql_fetch_array之间有什么区别?
  11. 写给自己的总结(程序员励志)
  12. node.js之async的使用(series,whilst)
  13. ACE_Message_QueueACE_MT_SYNCH::putq ()使用时需要注意的地方
  14. 07 PCA(主成分分析)之梯度上升法
  15. 敏捷開發: 利益相关者的管理
  16. seajs 和spm的使用简介
  17. mac迅雷精简教程,get一下吧!
  18. 从SOD到OOD(C++风格程序设计)
  19. npi阶段是什么意思_NPI阶段发现重要性论述.doc
  20. IDEA设置类注释模板

热门文章

  1. 深度学习100例-卷积神经网络(VGG-19)识别灵笼中的人物 | 第7天
  2. word使用技巧(不定时更新)
  3. 一份平民化的应用性能优化检查列表(完整篇)--转
  4. jboss 7 as1 日志配置
  5. How to allow/block PING on Linux server – IPTables rules for icmp---reference
  6. php中的魔术函数以及魔术常量
  7. HyperLedger Fabric链码开发及测试
  8. 埃森哲咨询公司为何拥有世界上最多的区块链职位空缺
  9. 广告点击率预测 [离线部分]
  10. 支持向量机: Kernel