线性回归的模型原理

案例：预测医疗费用

1）数据特征说明——样本量、变量类型、目标变量

2）探索和准备数据——变量转码、数据分布特征的计算和图表展示、数据关联性分析

3）基于数据训练模型——训练模型的操作步骤、模型结果的解读

4）评估模型的性能——拟合优度、残差分析

5）提高模型的性能——改进模型提高分析效果

主成分分析和因子分析基本原理

案例：房屋数据集的降维的处理

1）数据特征说明——样本量、数据特征

2）探索和准备数据——统计数据特征、数据进行规范化、数据关联性分析

3）基于数据训练模型——训练模型的操作步骤、模型结果的解读

4）主成分提取个数分析——特征值标准、解释变异的比例标准、最小共线标准、坡度图标准

5）主成分描述——剖析主成分的特点

K-Means基本原理

案例：客户流失数据分析

1）数据特征说明——样本量、数据特征

2）探索和准备数据——统计数据特征、数据进行规范化

3）基于数据训练模型——k-means聚类的操作

4）类间比较——类间特征比较、类别起名字

5）使用类别成员关系预测客户流失

决策树的模型原理

案例：识别高风险银行贷款

1）数据特征说明——样本量、变量类型

2）探索和准备数据——比较数据、分割数据

3）基于数据训练模型——训练模型、选择算法、配置信息

4）评估模型的性能——模型评估指标解读、混淆矩阵

5）查看单个客户的违约概率

逻辑回归基本原理

案例：心脏病预测分析

1）数据特征说明——样本量、数据特征

2）探索和准备数据——变量转换、拆分数据集为训练集和测试集

3）基于数据训练模型——逻辑回归的SPSS操作、模型结果的解读

4）评估模型的性能——对模型进行显著性检验

5）检查共线性

6) 模型改进