【CDA干货】K-Means 聚类：无监督学习中数据分群的核心算法

2025-09-03

K-Means 聚类：无监督学习中数据分群的核心算法 在数据分析领域，当我们面对海量无标签数据（如用户行为记录、商品属性数据、图像像素信息）时，如何快速发现数据内在的分组规律？K-Means 聚类算法正是解决这一问题 ...

【干货】半监督学习（下）Label Spreading

2025-02-05

当我们只有非常少量的已标记数据，同时有大量未标记数据点时，可以使用半监督学习算法来处理。在sklearn中，基于图算法的半监督学习有Label Propagation和Label Spreading两种。他们的主要区别是第二种方法带有正则 ...

【干货】用半监督学习方法处理标签（上）Label Propagation

2025-02-04

考虑一种棘手的情况：训练数据中大部分样本没有标签。此时，我们可以考虑使用半监督学习方法来处理。半监督学习能够利用这些额外的未标记数据，更好地捕捉数据分布的潜在形状，并在新样本上的泛化能力更强。当我们 ...

每天一个数据分析题（四百八十八）- 非监督学习

2024-08-19

关于非监督学习，在K-means聚类分析使用的距离是（ ） A.        欧式距离 B.        绝对距离 C.        Minkowski距离 D.      & ...

每天一个数据分析题（四百八十七）- 非监督学习

2024-08-19

关于非监督学习，在K-means聚类分析使用的距离是（ ） A.        欧式距离 B.        绝对距离 C.        Minkowski距离 D.      & ...

每天一个数据分析题（四百八十六）- 非监督学习

2024-08-19

关于非监督学习，PCA的缺点是？ A.        去除数据中的冗余信息 B.        简洁 C.        全局降维 D.        线性降维 ...

监督学习和非监督学习的区别是什么？

2023-10-17

监督学习和非监督学习是机器学习领域中两种重要的学习方法。它们在数据处理和模型训练方面有着明显的区别。 监督学习是一种通过使用带有标签的训练数据集来训练模型的方法。在监督学习中，训练数据集包含了输入样本 ...

从线性回归到无监督学习，数据科学家需要掌握的十大统

2018-06-02

从线性回归到无监督学习，数据科学家需要掌握的十大统 不管你对数据科学持什么态度，都不可能忽略分析、组织和梳理数据的重要性。Glassdoor 网站根据大量雇主和员工的反馈数据制作了「美国最好的 25 个职位」 ...

CDA数据分析师实战：决策树分析的业务应用与落地指南

2026-01-20

在CDA（Certified Data Analyst）数据分析师的工作场景中，“精准分类与回归预测”是高频核心需求——比如预测用户是否流失、判断交易是否存在欺诈风险、评估客户授信等级等。决策树（Decision Tree）作为经典的监督 ...

CDA数据分析师实战：聚类分析的业务应用与落地指南

2026-01-19

在CDA（Certified Data Analyst）数据分析师的日常工作中，常面临“无标签高维数据难以归类、群体规律模糊”的痛点——比如海量用户行为数据无明确分层标签、产品属性数据无法快速定位同类群体、市场调研数据难以识 ...

【CDA干货】数学界中的统计学高级算法：原理、应用与价值

2025-12-26

统计学作为数学的重要分支，是连接数据与决策的桥梁。随着数据规模的爆炸式增长和复杂问题的涌现，传统统计方法已难以应对高维、非线性、异构数据的分析需求。数学界由此衍生出一系列统计学高级算法，这些算法以深厚 ...

【CDA干货】数据降维与分组的“三叉戟”：析因、聚类与主成分分析的异同解析

2025-12-18

在数据科学的工具箱中，析因分析（Factor Analysis, FA）、聚类分析（Clustering Analysis）与主成分分析（Principal Component Analysis, PCA）是处理高维数据的“核心三叉戟”。它们均能从复杂数据中提取关键信息 ...

【CDA干货】机器学习分类模型：从原理到实战的完整指南

2025-11-06

在机器学习领域，“分类模型” 是解决 “类别预测” 问题的核心工具 —— 从 “垃圾邮件识别（是 / 否）” 到 “疾病诊断（良性 / 恶性）”，从 “客户流失预测（流失 / 留存）” 到 “图像分类（猫 / 狗 / 汽车）” ...

CDA 数据分析师：决策树分析实战指南 —— 可解释性建模与业务规则提取核心工具

2025-11-06

在 CDA（Certified Data Analyst）数据分析师的工作中，“可解释性建模” 与 “业务规则提取” 是核心需求 —— 例如 “预测用户是否流失并明确流失原因”“判断客户是否办理贷款并提炼审批规则”。这类问题需要模型 ...

CDA 数据分析师：聚类分析实战指南 —— 无监督分组与精准业务运营的核心工具

2025-11-04

在 CDA（Certified Data Analyst）数据分析师的工作中，“无监督样本分组” 是高频需求 —— 例如 “将用户按行为特征分为高价值、潜力、一般用户”“将商品按销售表现归类为爆款、平销、滞销品”。这类问题缺乏明确 ...

【CDA干货】Excel 辅助 K-Means 聚类实操手册

2025-10-29

这个问题切中了 Excel 用户的常见困惑 —— 将 “数据可视化工具” 与 “数据挖掘算法” 的功能边界混淆。核心结论是：Excel 透视图本身无法直接执行聚类分析，它是 “数据汇总与可视化工具”，而聚类分析是需要算法 ...

【CDA干货】神经网络与卡尔曼滤波的融合：突破传统局限的智能状态估计技术

2025-10-23

在工业控制、自动驾驶、机器人导航、气象预测等领域，“状态估计” 是核心任务 —— 即从含噪声的观测数据中，精准推断系统的真实状态（如无人机的位置与速度、化工反应釜的温度与压力、汽车的行驶轨迹）。卡尔曼滤 ...

【CDA干货】机器学习特征重要性分析：原理、实战与业务落地指南

2025-10-11

在机器学习建模流程中，“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模型效率，更能揭示 “哪些因素真正影响目标结果”（如用户流失的核心原因、房价波动的关 ...

【CDA干货】Excel 能做聚类分析吗？基础方法、进阶技巧与场景边界

2025-09-29

Excel 能做聚类分析吗？基础方法、进阶技巧与场景边界 在数据分析领域，聚类分析是 “无监督学习” 的核心技术 —— 无需预设分类标签，通过数据自身的相似性将样本划分为若干组（聚类），广泛用于客户分群、产品归 ...

【CDA干货】人工智能重塑工程质量检测：核心应用、技术路径与实践案例

2025-09-24

人工智能重塑工程质量检测：核心应用、技术路径与实践案例 工程质量检测是保障建筑、市政、交通、水利等基础设施安全的 “最后一道防线”。传统检测模式依赖人工肉眼观察、手持设备采样、破坏性试验，存在效率低（如 ...