网站做网站词怎么推广,包装网站建设,网络营销课程ppt,那个网站教做菜做的好11、对数据分析的看法#xff0c;你怎么理解数据分析师这个职业#xff1f;
①职责是收集、处理和分析大量的数据#xff0c;并从中提取出有用的信息。
②工作范围包括数据清洗、数据建模、数据可视化等。 数据收集和清洗#xff1a;收集各种来源的数据#xff0c;并清洗…11、对数据分析的看法你怎么理解数据分析师这个职业
①职责是收集、处理和分析大量的数据并从中提取出有用的信息。
②工作范围包括数据清洗、数据建模、数据可视化等。 数据收集和清洗收集各种来源的数据并清洗、转换为可分析的格式。 数据分析和建模应用统计学、机器学习和数据挖掘技术对数据进行分析和建模以发现隐藏的模式和见解。 数据可视化使用图表、图形和仪表板将数据呈现给非技术人员以便他们更好地理解数据。 解释和报告解释分析结果并撰写报告或演示向业务决策者提供有关数据的见解和建议。 持续改进监测和评估数据分析的有效性并不断改进方法和流程。 12、rfm模型介绍一下
①RFM模型是一种被广泛使用的营销模型又称客户价值模型通过R、F、M这3个指标对客户进行分类用来衡量客户价值和创收能力。
②rfm由R、F、M三个指标组成。 Recency最近购买时间最近一次消费至今的时间。离得越远用户越有流失可能越应该唤醒用户。 Frequency购买频率一定时间内重复消费频率。频次越低越需要用一次性手段比如促销、赠礼频次越高越可以用持续性手段积分来维护。 Monetary购买金额 一定时间内累计消费金额。消费越多用户价值越高越应该重点关注。 13、请你说说假设检验是什么
假设检验是用来判断样本与样本样本与总体的差异是由抽样误差引起还是本质差别造成的统计推断方法。其基本原理是先对总体的特征作出某种假设然后通过抽样研究的统计推理对此假设应该被拒绝还是接受作出推断。
14、假设检验的原理和步骤。
①原理先对总体的特征做出某种假设然后通过抽样研究的统计推理对此假设应该被拒绝还是接受做出推断。
②步骤 1确定假设。首先明确定义零假设H0和备择假设H1。 2选择适当的检验方法。常见的假设检验方法包括 t 检验、ANOVA、卡方检验等。 3确定显著性水平α。通常选择0.05或0.01作为显著性水平。 4收集样本数据。收集与研究问题相关的样本数据并确保数据满足所选假设检验方法的前提条件。 5计算统计量。根据收集到的样本数据计算所选假设检验方法的统计量。统计量的计算方式根据所选的假设检验方法而异。 6计算 p 值。根据计算得到的统计量利用统计分布的理论或抽样方法计算 p 值。p 值表示在零假设为真的情况下观察到样本数据或更极端情况的概率。 7做出决策。比较计算得到的 p 值与显著性水平。如果 p 值小于显著性水平则拒绝零假设接受备择假设如果 p 值大于等于显著性水平则接受零假设。 8做出结论。根据假设检验的结果对研究问题进行解释并做出相应的结论。 15、PCA知道吗
①定义PCA是Principal Component Analysis主成分分析的缩写是一种常用的降维技术。PCA利用降维线性变换的思想把多个自变量转化为几个不相关的主成分会损失少量信息。
②数学原理主成分是原始变量的线性组合主成分的数量相对于原始变量数量更少主成分保留了原始成分的大量信息各主成分之间相互独立。
③特征根特征值含义每个主成分都会有一个特征根表示主成分的重要性特征根越大表示该组成分越重要。
④方差贡献率某一特征值除以所有特征值的和就是该特征向量的方差贡献率。
⑤PCA步骤 1标准化数据对原始数据进行标准化处理使得每个特征的均值为0标准差为1。 2计算协方差矩阵根据标准化后的数据计算特征之间的协方差矩阵。 3计算特征值和特征向量对协方差矩阵进行特征值分解得到特征值和对应的特征向量。 4选择主成分根据特征值的大小选择最重要的几个特征向量作为主成分。 5数据转换将原始数据投影到选定的主成分上得到降维后的数据。 16、评价指标有哪些
①准确率Accuracy分类任务中预测正确的样本数与总样本数之比。
②精确率Precision在所有被预测为正类别的样本中真正为正类别的样本所占的比例 TP/(TPFP)。
③召回率Recall在所有真正为正类别的样本中被预测为正类别的样本所占的比例 TP/(TPFN)。
④ROC曲线Receiver Operating Characteristic Curve以真正类别率TPR召回率为纵轴假正类别率FPR1-特异度为横轴所绘制的曲线。
⑤AUC值Area Under CurveROC曲线下的面积用于衡量模型对正负样本的区分能力。
⑥F1分数F1 Score精确率和召回率的调和平均数综合考虑了模型的准确性和完整性。
⑦均方误差Mean Squared ErrorMSE回归任务中预测值与真实值之间差异的平方和的均值。
⑧平均绝对误差Mean Absolute ErrorMAE回归任务中预测值与真实值之间差异的绝对值的平均值。
17、有哪些数据分析经历
18、更倾向于业务方向还是技术方向
业务方向和技术方向都需要数据分析需要使用各种数据处理和分析工具、编程语言以及统计和机器学习算法等技术手段而数据分析的最终目标是为业务决策提供支持和指导。
19、说一下abtest的流程
①基本原理ABtest就是当我们在A、B两个方案之间犹豫不决的时候直接把两个方案测试一把看看哪个效果好把测试结果作为参考依据。
②流程 第一步明确要检验的A、B两个对象 第二步明确要检验的指标是平均值还是比例 第三步根据检验目的给出原假设/备选假设 第四步根据要检验的指标选择检验统计量 第五步给定显著性水平计算统计量得出结果支持原假设还是推翻原假设 20、ROC的了解情况怎么画ROC
①ROCReceiver Operating Characteristic曲线是用于评估二分类模型性能的常用工具它展示了在不同阈值下真正例率True Positive RateTPR与假正例率False Positive RateFPR之间的关系。
②基本步骤 1计算预测概率使用训练好的二分类模型对测试集样本进行预测并得到每个样本属于正例的概率预测概率。 2选择阈值选择一个阈值通常在0到1之间用于将预测概率转换为类别标签正例或负例。对于每个不同的阈值都可以计算出对应的TPR和FPR。 3计算TPR和FPR根据选择的阈值分别计算出真正例率TPR和假正例率FPR。 TPR TP / (TP FN)其中TP为真正例数FN为假负例数。 FPR FP / (FP TN)其中FP为假正例数TN为真负例数。 4绘制ROC曲线ROC曲线的横轴是FPR纵轴是TPR因此ROC曲线越靠近左上角0,1模型性能越好。 5计算AUC值计算ROC曲线下的面积AUCArea Under CurveAUC值用于量化模型的整体性能取值范围在0到1之间。AUC值越接近1表示模型性能越好越接近0.5则表示模型性能越一般低于0.5则表示模型性能较差甚至比随机猜测还要差。
