推荐 ：在数据科学中需要多少数学方法？
发布时间：2021-06-03 20:41:28 所属栏目：大数据 来源：互联网
导读：I.引言 如果您渴望成为数据科学家，那么您无疑会想到以下问题： 我几乎没有数学背景，可以成为一个数据科学家吗? 数据科学中的哪些基本数学技能很重要? 有许多好的软件包可用于构建预测模型或数据可视化。一些最常见的用于描述性和预测性分析的软件包包括：
|
I.引言
如果您渴望成为数据科学家，那么您无疑会想到以下问题：
我几乎没有数学背景，可以成为一个数据科学家吗?
数据科学中的哪些基本数学技能很重要?
有许多好的软件包可用于构建预测模型或数据可视化。一些最常见的用于描述性和预测性分析的软件包包括：
Ggplot2
Matplotlib
Seaborn
Scikit-learn
Caret
TensorFlow
PyTorch
Keras
借助这些软件包，任何人都可以构建模型或进行数据可视化。但是，扎实的数学背景知识对于模型微调(fine-tuning)以生成具有最佳性能的可靠模型至关重要。建立模型是一回事，但解释模型并得出可用于数据驱动决策的有意义的结论，是另一回事。重要的是，在使用这些软件包之前，您必须了解每个软件包的数学基础，这样才能避免将这些软件包仅仅用作“黑匣子”工具。
II.案例：建立多元回归模型
假设我们现在将要建立一个多元回归模型。在此之前，我们需要问自己以下问题：
我的数据集有多大?
我的特征变量和目标变量是什么?
哪些预测特征与目标变量最相关?
哪些特征很重要?
我应该进行特征缩放吗?
我的数据集应如何划分为训练集和测试集?
什么是主成分分析(PCA)?
我应该使用PCA删除冗余特征吗?
如何评估我的模型?我应该使用R2_score，平均平方误差(MSE)还是平均绝对误差(MAE)?
如何提高模型的预测能力?
我应该使用正则化回归模型吗?
哪些是回归系数?
哪些是截距?
我应该使用非参数回归模型，例如K近邻回归还是支持向量回归(SVR)?
我的模型中有哪些超参数，如何对其进行微调以获得性能最佳的模型?
没有良好的数学背景，您将无法解决上面提出的问题。最重要的是，在数据科学和机器学习中，数学技能与编程技能同等重要。因此，想成为数据科学家，您必须花时间研究数据科学和机器学习的理论和数学基础。您能否构建可应用于实际问题的可靠且有效的模型，取决于您的数学技能。
现在，让我们讨论数据科学和机器学习所需的一些基本数学技能。
 （编辑：四平站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |