召回率_数据科学行业图谱-CDA数据分析师

CDA数据科学研究院 CDA考试中心 CDA网校企业服务

CDA社区

CDA竞赛 CDA技术答疑 CDA会员职业咨询

关于CDA APP下载

全国热线4000-51-9191

首页

课程中心

CDA数据分析周末就业班2025 CDA数据分析脱产就业班2025 CDA敏捷算法建模周末班

CDA 业务数据分析 LEVEL Ⅰ 实操班 CDA 商业策略分析 LEVEL Ⅱ 集训营 CDA 机器学习与深度学习 LEVEL Ⅲ 集训营

职业路径

直播公开课

认证考试

企业内训

CDA社区

CDA竞赛 CDA技术答疑 CDA会员 scikit-learn中文社区职业咨询求职招聘能力测试

产品

大数据与人工智能实验室 CDA网校

证书查询

免密码登录

提交首次登录验证后自动注册

1 2 3 4 5 6 7 8 9 10 ..13 1/13

谈谈召回率（R值），准确率（P值）及F值: 2017-10-30; 谈谈召回率（R值），准确率（P值）及F值一直总是听说过这几个词，但是很容易记混，在这里记录一下。希望对大家理解有帮助。首先来做一个总结：精确率是针对我们预测结果而言的，它表示的是预测为正的 ...

评估机器学习模型的指标：召回率，精确率和F值: 2020-07-27; 机器学习中、完成建模之后，我们需要对模型的效果做评价，而召回率、精确率和F值就是评估机器学习模型的三大重要指标。一、基本概念 True Positive(真正，TP)：将正类预测为正类数 True Negative(真负， ...

召回率(Recall)与精确率(precision)的区别在哪里？怎样进行衡量: 2020-07-08; 召回率(Recall)，也被称为查全率，或者True Positive Rate，R= TP/(TP+FN) ; 反映了所有真正为正例的样本中被分类器判定出来为正例的比例。精度，或者叫做精确率(precision)：P = TP/(TP+FP);反映了被分类器 ...

召回率越高越好还是越低越好？: 2020-05-20; 召回率（Recall），一般指查全率，指从数据库内检出的相关的信息量与总量的比率，是数据挖掘中预测、互联网中的搜索引擎等经常涉及的两个概念和指标之一。在实际应用中，多数人更喜欢称召回率为召回率，因为更能体 ...

【CDA干货】神经网络损失函数：没有“最佳值”，但有“最优解”: 2025-12-02; 在神经网络训练中，损失函数的数值变化常被视为模型训练效果的“核心仪表盘”——初学者盯着屏幕上不断下降的损失值满心欢喜，却在损失降至0.1还是0.01时陷入迷茫；资深开发者则明白，纠结“具体降到多少”本身就是 ...

【CDA干货】游戏流失预测：解码用户行为序列中的流失信号: 2025-11-20; 在游戏行业“高获客成本、低留存率”的痛点下，“提前预测用户流失并精准召回”成为运营核心命题。而用户流失并非突发行为——从“高频登录”到“间隔变长”，从“付费活跃”到“零消费”，每一步变化都藏在用户行为 ...

【CDA干货】金融统计实战案例：银行个人信贷违约预测的统计分析与风险应用: 2025-11-11; 金融统计不是单纯的 “数据计算”，而是贯穿金融业务全流程的 “风险量化工具”—— 从信贷审批中的客户风险评估，到投资组合的收益波动分析，再到监管合规的数据报送，统计方法是金融机构控制风险、提升收益的核心 ...

【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: 2025-11-04; 在数字化时代，数据挖掘不再是实验室里的技术探索，而是驱动商业决策的核心能力 —— 它能从海量数据中挖掘出 “降低成本、提升收入、优化体验” 的隐性规律。但数据挖掘并非 “拿到数据就建模” 的无序过程，需遵循 ...

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】Tableau 累计百分比计算：从基础操作到业务决策落地: 2025-10-31; 在数据分析中，“累计百分比” 是衡量 “部分与整体关系” 的核心指标 —— 它通过 “逐步累加的占比”，直观呈现数据的分布特征与贡献度，例如 “前 20% 的客户贡献了 80% 的销售额”“前 50% 的产品占据了 90% 的 ...

CDA 数据分析师：逻辑回归实战指南 —— 二分类预测与业务决策的核心工具: 2025-10-31; 在 CDA（Certified Data Analyst）数据分析师的工作中，“二分类预测” 是高频需求 —— 例如 “预测用户是否会流失”“判断客户是否会购买产品”“识别交易是否为欺诈”。这类问题无法用预测数值的线性回归解决，而 ...

【CDA干货】特征单变量筛选：从原理到实战，高效精简特征的核心方法: 2025-10-21; 在特征工程流程中，“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度，剔除无意义、冗余的特征（如 “用户 ID”“无效时间戳”），既能降低后续建模的计算成本（如减少 50% 特征可 ...

CDA 数据分析师：精通标签加工方式，让数据标签从 “raw” 到 “ready”: 2025-09-29; 在标签体系的落地链路中，“设计标签逻辑” 只是第一步，真正让标签从 “纸上定义” 变为 “业务可用资产” 的关键，在于标签加工—— 即将分散的原始数据（如用户行为日志、订单记录）通过清洗、计算、建模等手段， ...

【CDA干货】机器学习解决实际问题的核心关键：从业务到落地的全流程解析: 2025-09-09; 机器学习解决实际问题的核心关键：从业务到落地的全流程解析在人工智能技术落地的浪潮中，机器学习作为核心工具，已广泛应用于推荐系统、金融风控、工业质检、医疗诊断等领域。然而，并非所有机器学习项目都能实现 ...

【CDA干货】破解游戏用户流失困局：从数据洞察到留存策略: 2025-08-11; 破解游戏用户流失困局：从数据洞察到留存策略在游戏行业竞争白热化的当下，用户流失率已成为衡量产品健康度的核心指标。一款游戏即使初期获得千万级下载，若月流失率超过 50%，也终将难逃生命周期缩短的命运。据 Ga ...

【CDA干货】K-S 曲线、回归与分类：数据分析中的重要工具: 2025-08-07; K-S 曲线、回归与分类：数据分析中的重要工具在数据分析与机器学习领域，K-S 曲线、回归和分类是三个核心概念与工具，它们各自承担着不同的角色，又在实际应用中相互关联、协同作用，共同为数据解读、预测和决策 ...