说到数据分析，啤酒和尿布的例子大家应该都听腻了。再具体、深入一些的内容，往往因为数学就令很多人望而却步了。给大家分享9个不带数学推导的数据分析思路~
1. 分类
分类分析的目标是：给一批人（或者物）分成几个类别，或者预测他们属于每个类别的概率大小。
分类分析（根据历史信息）会产出一个模型，来预测一个新的人（或物）会属于哪个类别，或者属于某个类别的概率。结果会有两种形式：
形式1：京东的所有用户中分为两类，要么会买，要么不会买。
形式2：每个用户有一个“会买”，或者“不会买”的概率（显然这两个是等效的）。“会买”的概率越大，我们认为这个用户越有可能下单。
如果为形式2画一道线， 比如0.5，大于0.5是买，小于0.5是不买，形式2就转变成形式1了。
2. 回归
回归任务的目标是：给每个人（或物）根据一些属性变量来产出一个数字（来衡量他的好坏）。
举个栗子：每个用户在618会为京东下单多少钱的？
注意回归和分类的区别在：分类产出的结果是固定的几个选项之一，而回归的结果是连续的数字，可能的取值是无限多的。
3. 聚类
聚类任务的目标是：给定一批人（或物），在不指定目标的前提下，看看哪些人（或物）之间更接近。
注意聚类和上面的分类和回归的本质区别：分类和回归都会有一个给定的目标（是否下单，贷款是否违约，房屋价格等等），聚类是没有给定目标的。
举个栗子：给定一批用户的购买记录，有没有可能分成几种类型？（零食狂魔，电子爱好者，美妆达人……）
4. 相似匹配
相似匹配任务的目标是：根据已知数据，判断哪些人（或物）跟特定的一个（一批）人（或物）更相似。
5. 频繁集发现
频繁集发现的目标是：找出经常共同出现的人（或物）。这就是大名鼎鼎的“啤酒和尿布”的例子了。 这个例子太容易扩展，就不再举栗子啦。
Python机器学习策略工作坊（深圳）
. Python机器学习模块应用技能
Mongodb数据库处理大数据
机器学习策略代码模板与回测绩效
业界真实经验教学，打造全程真实编程体验
SVM、决策树、隐马尔可夫模型、
套索回归、卡尔曼滤波、
神经网络、深度学习…
2017年 10月2日-6日 深圳
咨询电话/微信：18516600808
统计描述任务的目标是最好理解的：具有哪些属性的人（或物）在什么状态下做什么什么事情。
统计描述常常用户欺诈检测，试想一个用户一个月退货100+次，这会是一种什么情况？
7. 连接预测
连接预测的目标是：预测本应该有联系（暂时还没有）的人（或物）。
举个栗子：你可能认识xxx？你可能想看xxx？
8. 数据压缩
数据压缩的目的是：减少数据集规模，增加信息密度。
举个栗子：豆瓣想分析用户关于国外电影的喜好，讲国内电影的评分数据都排除掉
大数据，也不是数据越多越好，数据多带来的信息多，但是噪声也会变多。
9. 因果分析
顾名思义，因果分析的目标是：找出事物间相互影响的关系。
这里最常见的手段就是A/B test啦
数据分析是非常强大的，不过当然还是要在具体的情景下，严格的选择假设，采用科学的分析方法才能产出有价值的结果。数据会说谎的经典案例就是“安慰剂效应”了。
作者：钱塘数据
来源：钱塘大数据（ID：qtbigdata）
【宽客网络课堂】石破天惊之作：可量化的期货基本面策略
本课程为台湾著名专家林洸兴先生的倾力之作。与目前市场上大多数泛泛而论的期货分析课程不同，“深刻”、“逻辑”两个词可以概括本课程的特点。结合量化的需求与特点，林先生特意在本系列课程中将可量化的基本面因素提炼出来讲述。从这样一个独特的角度讲解期货策略，相信本课程是一个石破天惊的课程。
扫描二维码或“阅读原文”可以进入课程并试看
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。
