Bevezetés
minden a statisztikai elemzési módszerek kiváltságának kihasználásán alapul, amely az adatok kölcsönhatásának és gyűjtésének módja a trendek és minták feltárása érdekében.
a rendes üzlet alapvetően megváltozott az elmúlt évtized során. Függetlenül attól, hogy a munkaterületeken használt hardver vagy az átadásra használt szoftver, nem nagyon ritka dolgok egyenértékűnek tűnnek, mint régen. A statisztikai modellezési technikák a logisztikai regresszió, a lineáris regresszió, a variáció elemzése, korreláció, Mátrixműveletek, mintavétel stb.
valami más, ami egyedülálló, az, hogy mennyi információ áll rendelkezésre. Ami egykor kevés volt, jelenleg az információ hatalmas mértéke. Bárhogy is legyen, valószínűleg túlterheli az esélyt, hogy nincs a legfoggiest ötlete, hogyan vizsgálja meg üzleti adatait, hogy felfedezze az éleslátó és valódi jelentést.
a statisztikai elemzés elvégzésére szolgáló 5 módszer
ehhez a statisztikai elemzési módszerhez 5 közül lehet választani:
- átlagos
- szórás
- regresszió
- hipotézisvizsgálat
- minta méretének meghatározása
1) átlag:
az alkalmazott statisztikai elemzési módszerek átlagot jelentenek, amelyet általában átlagként említenek. Amikor ezt a technikát alkalmazzák, figyelembe veszi az adathalmaz általános mintázatának eldöntését, csakúgy, mint az adatok gyors és kompakt perspektívájának képességét. Ennek a technikának az ügyfelei a gyors és egyszerű becslésből is profitálnak.
a statisztikai eszközök az elkészítendő információk fő kérdésére gondolnak. Az eredményre a megadott információ átlagaként utalnak. Valójában az egyének általában használják a feltárásra, a sportra és az akadémikusokra vonatkozó szándékot.
hogyan lehet megtalálni az átlagot
az adatok átlagának megkereséséhez először össze kell adnia a számokat, majd utána el kell osztania az egészet az adatkészleten belüli számok számával.
például a 24, 3, 15, 6, 2, kezdetben összeadná őket.
24 3 15 6 2=50
ezen a ponton ossza el a lepusztult számok számával (5).
50/5= 10
az átlag 10.
a hátránya
ha felhasználásával átlag rendkívüli, ez nem javasolt, mint egy független statisztikai elemzési módszer. Ez azért van, mert ez tönkreteheti a becslés mögött rejlő összes törekvést, tekintve, hogy egyes adathalmazokban hasonlóképpen azonosítják a mediánnal és a móddal.
2) szórás:
a szórás a statisztikai elemzési módszerek stratégiája, amelyek felmérik az információ terjedését az átlag körül.
abban a pontban, amikor egy emelkedett eltérést kezel, ez az átlagtól széles körben elterjedt információkra összpontosít. Hasonlóképpen, az alacsony szórás azt mutatja, hogy a legtöbb információ átlagon alapul, és hasonlóképpen egy halmaz várható értékének is nevezhető.
hogyan találjuk meg a szórás
a képlet, hogy kiszámítja a szórás:
6-2 = 2 / N = 9076-3807 > ebben a képletben:
- n az adatpontok számát jelenti a populációban.
- a varianciát jelöli.
- az adatok átlagát jelenti.
- x az adatkészlet értékét jelöli.
- az adatok összege.
- a standard deviáció (szórás) szimbóluma a^.
a hátránya
egy hasonló megjegyzés a hátránya felhasználásával átlag, a szórás lehet megtévesztő, ha használják, mint a magányos stratégia a mérhető vizsgálat.
3) regresszió:
a statisztikai elemzési módszerekben a regresszió egy független változó és egy függő változó közötti kapcsolat. A regresszióanalízis diagramokban és grafikonokban használt vonal azt jelenti, hogy a tényezők közötti kapcsolatok szilárdak vagy törékenyek-e, annak ellenére, hogy egy adott időmérőn mintákat mutatnak.
regressziós egyenlet
a regressziós egyenlet, amelyet arra használnak, hogy érzékeljék, hogy az információ később pillanthat rá:
Y = a b (x)
ebben az egyenletben:
- b a lejtőre vagy az emelkedés túllépésére utal.
- Y a független változó.
- x a függő változó.
- a az y-lehallgatásra utal, az Y értéke, amikor x = 0.
a hátránya
a regresszió statisztikai elemzésének részeként történő felhasználásának egyik hátránya, hogy a regresszió nem összetéveszthetetlen, ami azt jelenti, hogy bár az eloszlási cselekmény anomáliái jelentősek, így azok az okok is, amelyek miatt kivételek.
4) hipotézis tesztelés:
hipotézis tesztelés, más néven “T tesztelés”, statisztikai elemzési módszerekben. A hipotézis tesztelési módszer kapcsolódik a teszteléshez, ha egy adott állítás vagy vég érvényes az adatkészletre. Úgy véli, hogy az információ ellentétes a különböző feltételezésekkel és hipotézisekkel. Hasonlóképpen segíthet annak becslésében, hogy a meghozott döntések mit jelenthetnek az üzlet számára.
hipotézis tesztelési képlet
a statisztikai hipotézis teszt utóhatásait meg kell fejteni, hogy egy adott esetet hozzanak létre, amelyet p-értékként említenek.
ennek a hipotézis tesztnek a képlete:
- H1: P 0,5
- H0: P = 0.5
a hátránya
a hipotézis tesztelése bizonyos esetekben torzulhat és elhomályosíthatja a rendszeres hibákat, hasonlóan a placebo hatáshoz.
5) A minta méretének meghatározása:
ami a statisztikai módszerek információinak vizsgálatát illeti, egyes esetekben az adatkészlet lényegében túlzottan hatalmas, ami megnehezíti a pontos információk összegyűjtését az adatkészlet minden összetevőjére vonatkozóan.
a minta méretének megtalálása
mindenesetre van néhány széles tipp, amelyet emlékezni kell a minta méretének eldöntésekor:
- a szerényebb mintaméretet figyelembe véve közvetlen statisztikai adatokat.
- használja a minta méretét egy olyan vizsgálatból, mint a sajátja.
- abban az esetben, ha nem kizárólagos jelentést irányít, lehet, hogy létezik egy táblázat, amelyet felhasználhat a potenciális előnyére.
- használjon minta méretű mini-számítógépet.
a hátránya
ahogy megvizsgálja egy másik, nem tesztelt információváltozót ebben a technikában, konkrét gyanúktól kell függenie. Ha így tesz, teljesen alaptalan gyanút kelthet.
következtetés
függetlenül attól, hogy a statisztikai elemzési módszerek melyik stratégiáját választja, próbáljon kivételes figyelmet fordítani minden várható hátrányra, csakúgy, mint a különböző képletükre. Nincs legmagasabb minőségi szint vagy rossz vagy helyes technika. Az összegyűjtött információkra fog támaszkodni, csakúgy, mint a tudás bitjei, amelyeket végtermékként remélsz. Az adatelemzés példái az előíró elemzés, a prediktív elemzés, a diagnosztikai elemzés, az inferenciális elemzés. Leíró elemzés, szövegelemzés stb.
ha érdekel, hogy a karrier a Data Science domain, a 11 hónapos személyes PGDM Data Science tanfolyam segítségével mérhetetlenül válás sikeres Data Science szakember.
olvassa el még
- fontos fürtözési algoritmusok az Adattudósok számára 2021-ben