建模前需要面对的问题

       统计更加在乎的是模型应用的完善，即数据必须要符合模型的假定。

       任何一个模型都有假定。数据挖掘中，如决策树和神经网络做的时候很少会提到假定，实际上他们的假定和回归差不多。很多时候，用R或者SAS建立一个决策树会发现效果不好，效果不好的原因就是你的数据不符合假定。决策树这种模型其实是没有底蕴的，即没有体系帮忙进行检验，所以这种模型在建模之前一定要对数据进行预处理，让数据去符合假定。如果想建好一个模型，在建模之前需要面对下面这些点：

• 模型的可解释性：建出的模型的关系必须是和实际业务有联系的，如果你的模型的可解释性关系是比较荒谬、不符合常识的，那么即使模型在技术层面非常好也是无用的
• 模型和技术的假定一定要自己清楚
• 模型能否抵御维度诅咒：