机器学习-回归模型-欠拟合和过拟合

2017-03-20

机器学习-回归模型-欠拟合和过拟合 1. 什么是欠拟合和过拟合 先看三张图片，这三张图片是线性回归模型 拟合的函数和训练集的关系 第一张图片拟合的函数和训练集误差较大，我们称这种情况为 欠拟合 ...

【CDA干货】ARIMA时间序列分析方法：核心原理、建模流程与实战应用

2026-06-30

在数据分析、商业预测、经济统计、运维监控等领域中，绝大多数业务数据都具备时间连续性特征，例如月度销售额、日度客流量、季度产能、平台用户量、商品价格走势等，这类按时间顺序排列的观测数据统称为时间序列数据 ...

【CDA干货】企业价值市场法价值比率与线性回归分析：估值优化实战指南

2026-06-23

在企业并购、股权定价、投融资评估、资产核算等资本市场核心场景中，市场法是应用最广泛、市场认可度最高的企业价值评估方法。传统市场法依托可比公司价值比率开展估值，操作简便、贴合市场行情，但存在显著短板：多 ...

【CDA干货】SQL计算列值趋势的全场景实现方法与实战指南

2026-06-12

在数据分析、业务监控、运营复盘等场景中，列值趋势计算是核心需求之一。无论是分析销售额的月度增长、用户活跃的变化趋势、库存的波动规律，还是监控系统指标的异常波动，都需要通过 SQL 对单列数据进行趋势挖掘。S ...

CDA 三级《敏捷数据挖掘》教材知识体系全面解读

2026-06-12

CDA三级认证是三个级别中的塔尖，全面考察数据战略、团队领导和复杂项目的综合能力。它所对应的《敏捷数据挖掘》教材，不再局限于“如何做分析”，而是回答一个更本质的问题：在企业真实场景中，如何系统性地构建、 ...

【CDA干货】逻辑回归中因子与协变量的核心区别、模型作用与实操应用解析

2026-06-02

逻辑回归是数据分析、机器学习、统计建模中应用最广泛的二分类预测模型，常用于风险判断、行为预测、归因分析等场景。在SPSS、Python、R语言等主流分析工具中，构建逻辑回归模型时，所有自变量会被划分为**因子（Fac ...

【CDA干货】数据挖掘核心步骤与实战：以零售企业客户流失预测为例

2026-05-13

在零售行业存量竞争日趋激烈的当下，客户流失已成为侵蚀企业利润的“隐形杀手”——据行业数据显示，零售企业平均客户流失率高达20%-30%，而获取新客户的成本是维系老客户的5-10倍，留住现有客户不仅能降低营销成本 ...

【CDA干货】回归结果分析：系数与回归模型的区别与关联

2026-05-07

在数据分析、计量研究等场景中，回归分析是探究变量间量化关系的核心方法，无论是简单的一元线性回归，还是复杂的多元线性回归、非线性回归，我们最终都会得到回归模型与回归系数两大核心产物。但很多从业者在解读回 ...

【CDA干货】Excel实操：数据透视表字段值与已求和值联动计算，轻松生成新列

2026-05-07

在数据分析、计量研究等场景中，回归分析是探究变量间量化关系的核心方法，无论是简单的一元线性回归，还是复杂的多元线性回归、非线性回归，我们终都会得到回归模型与回归系数两大核心产物。但很多从业者在解读回归 ...

【CDA干货】基于客户行为数据序列的意图识别模型构建指南

2026-04-22

在数字化时代，客户每一次点击、浏览、下单、咨询等行为，都在传递其潜在需求与决策倾向——这些按时间顺序串联的行为轨迹，构成了客户行为数据序列。意图识别模型的核心价值，就是从这些连续、动态的行为序列中，挖 ...

【CDA干货】特征重要性分析：解锁机器学习模型价值的核心钥匙

2026-04-20

在机器学习建模全流程中，特征工程是连接原始数据与模型效果的关键环节，而特征重要性分析则是特征工程的“灵魂”——它不仅能帮我们筛选冗余特征、优化模型结构，更能破解模型“黑箱”困境，揭示数据与目标变量之间 ...

【CDA干货】随机森林特征重要性分析：原理、方法与实操指南

2026-04-16

在机器学习建模实践中，特征工程是决定模型性能的核心环节之一。面对高维数据集，冗余特征、无关特征不仅会增加模型训练成本、延长训练时间，还可能引发过拟合，降低模型泛化能力，甚至掩盖关键特征的真实影响。随机 ...

【CDA干货】回归方程筛选主要因子：方法、计算流程与实操指南

2026-04-13

在回归分析中，因子（即自变量）的筛选是构建高效、可靠回归模型的核心步骤——实际分析场景中，往往存在多个候选因子，其中部分因子与因变量关联性弱、甚至存在冗余，盲目纳入所有因子会导致模型过拟合、解释性下降 ...

【CDA干货】LSTM预测结果波动：成因解析、影响评估与优化策略

2026-04-08

长短期记忆网络（LSTM）作为循环神经网络（RNN）的重要改进模型，凭借其独特的门控机制（遗忘门、输入门、输出门），有效解决了传统RNN在处理长序列数据时的梯度消失或梯度爆炸问题，已广泛应用于时间序列预测、自然 ...

【CDA干货】解析神经网络中卷积的核心作用：提取数据的特征与隐藏价值

2026-04-03

在深度学习神经网络中，卷积操作是实现数据特征提取的核心引擎，更是让模型“看懂”数据、“解读”数据的关键所在。不同于传统机器学习需要人工设计特征算子，卷积凭借其“局部感知”“参数共享”的独特优势，能够自 ...

【CDA干货】特征重要性分析：从数据特征到业务价值，解锁精准决策新路径

2026-04-01

在数据驱动决策的时代，企业与从业者每天都会面对海量数据——电商平台的用户行为数据、金融机构的信贷风险数据、快消品牌的营销数据、医疗领域的诊断数据，这些数据中包含成百上千个特征变量，看似杂乱无章，却隐藏 ...

CDA数据分析师：决策树分析实战，可解释性建模的核心工具与业务赋能

2026-03-31

在CDA（Certified Data Analyst）数据分析师的职场实战与认证考核中，“可解释性建模”是核心需求之一——企业决策中，不仅需要模型给出精准预测，更需要清晰的决策逻辑支撑，让非技术人员读懂“为什么这么判断”。 ...

【CDA干货】MLP模型隐藏层层数与单元个数确定指南：从理论到实战

2026-03-30

多层感知机（MLP，Multilayer Perceptron）作为深度学习中最基础、最经典的神经网络模型，其结构设计直接决定了模型的拟合能力、泛化能力与训练效率。而隐藏层作为MLP模型的“核心运算层”，负责挖掘输入数据中的复 ...

【CDA干货】详解tensorflow_datasets.load函数：快速加载数据集，高效开启TensorFlow实战

2026-03-30

在TensorFlow深度学习实战中，数据集的加载与预处理是基础且关键的第一步。手动下载、解压、解析数据集不仅耗时费力，还容易出现格式不兼容、路径错误、数据损坏等问题，严重影响开发效率。tensorflow_datasets（简 ...

【CDA干货】多参数综合作用：解锁机器学习精准性与泛化能力的核心密钥

2026-03-27

机器学习的本质，是让模型通过对数据的学习，自主挖掘规律、实现预测与决策，而这一过程的核心驱动力，并非单一参数的独立作用，而是多参数的协同联动与综合调控。从简单的线性回归到复杂的深度学习模型，参数作为模 ...