目录
4.讲讲树模型：决策树、随机森林（RF）、AdaBoost、GBDT、XGBoost、LightGBM和CatBoost算法区别及联系？
11.特征处理，连续型和非连续性，如例子，年龄和性别两个特征如何处理？
14.L1和L2正则项的区别？L1范数和L2范数为什么可以避免过拟合？
16.中位数、平均数和众数的区别，什么情形适用什么指标来代表平均水平?
17.二项分布、泊松分布、正态分布的区别是什么？泊松分布的极限形式？
一、数据分析方法论
数据分析的方法论很多，其中六种比较常见的理论。
1.PEST分析法
PEST，也就是政治（Politics）、经济（Economy）、社会（Society）、技术（Technology），能从各个方面把握宏观环境的现状及变化趋势，主要用于用户行业分析。
宏观环境又称一般环境，是指影响一切行业和企业的各种宏观力量。
对宏观环境因素作分析时，由于不同行业和企业有其自身特点和经营需要，分析的具体内容会有差异，但一般都应对政治、经济、技术、社会，这四大类影响企业的主要外部环境因素进行分析。
政治环境：政治体制、经济体制、财政政策、税收政策、产业政策、投资政策等。
社会环境：人口规模、性别比例、年龄结构、生活力式、购买习惯、城市特点等。
技术环境：折旧和报废速度、技术更新速度、技术传播速度、技术商品化速度等。
经济环境：GDP 及增长率、进出口总额及增长率、利率、汇率、通货膨胀率、消费价格指数、居民可支配收入、失业率、劳动生产率等。
2.5W2H分析法
5W2H，即为什么（Why）、什么事（What）、谁（Who）、什么时候（When）、什么地方（Where）、如何做（How）、什么价格（How much），主要用于用户行为分析、业务问题专题分析、营销活动等。
该分析方法又称为七何分析法，是一个非常简单、方便又实用的工具，以用户购买行为为例：
Why：用户为什么要买？产品的吸引点在哪里？
What：产品提供的功能是什么？
Who：用户群体是什么？这个群体的特点是什么？
When：购买频次是多少？
Where：产品在哪里最受欢迎？在哪里卖出去？
How：用户怎么购买？购买方式什么？
How much：用户购买的成本是多少？时间成本是多少？
3.SWOT分析法
SWOT分析法也叫态势分析法，S （strengths）是优势、W （weaknesses）是劣势，O （opportunities）是机会、T （threats）是威胁或风险。
SWOT分析法是用来确定企业自身的内部优势、劣势和外部的机会和威胁等，通过调查列举出来，并依照矩阵形式排列，然后用系统分析的思想，把各种因素相互匹配起来加以分析。
运用这种方法，可以对研究对象所处的情景进行全面、系统、准确的研究，从而将公司的战略与公司内部资源、外部环境有机地结合起来。
4.4P营销理论
4P即产品（Product）、价格（Price）、渠道（Place）、推广（Promotion），在营销领域，这种以市场为导向的营销组合理论，被企业应用最普遍。
可以说企业的一切营销动作都是在围绕着4P理论进行，也就是将：产品、价格、渠道、推广。通过将四者的结合、协调发展，从而提高企业的市场份额，达到最终获利的目的。
产品：从市场营销的角度来看，产品是指能够提供给市场，被入们使用和消费并满足人们某种需要的任何东西，包括有形产品、服务、人员、组织、观念或它们的组合。
价格：是指顾客购买产品时的价格，包括基本价格、折扣价格、支付期限等。影响定价的主要因素有三个:需求、成本与竞争。
渠道：是指产品从生产企业流转到用户手上全过程中所经历的各个环节。
促销：是指企业通过销售行为的改变来刺激用户消费，以短期的行为（比如让利、买一送一，营销现场气氛等等)促成消费的增长，吸引其他品牌的用户或导致提前消费来促进销售的增长。广告、宣传推广、人员推销、销售促进是一个机构促销组合的四大要素。
5.逻辑树法
逻辑树又称问题树、演绎树或分解树等。它是把一个已知问题当成“主干”，然后开始考虑这个问题和哪些相关问题有关，也就是“分支”。逻辑树能保证解决问题的过程的完整性，它能将工作细分为便于操作的任务，确定各部分的优先顺序，明确地把责任落实到个人。
逻辑树的使用必须遵循以下三个原则：
要素化：把相同的问题总结归纳成要素。
框架化：将各个要素组织成框架。遵守不重不漏的原则。
关联化：框架内的各要素保持必要的相互关系，简单而不独立。
6.AARRR模型
AARRR模型是所有运营人员都要了解的一个数据模型，从整个用户生命周期入手，包括获取（Acquisition）、激活（Activation）、留存（Retention）、变现（Revenue）和传播（Refer）。
每个环节分别对应生命周期的5个重要过程，即从获取用户，到提升活跃度，提升留存率，并获取收入，直至最后形成病毒式传播。
二、数据分析思路
数据分析方法论主要是从宏观角度介绍如何进行数据分析，它就像是一个数据分析的前期规划，搭建一个清晰的数据分析框架。那么对于具体的业务场景问题，就要靠具体的分析方法来支撑了，下面就介绍几种常用的数据分析思路。
1.趋势分析
最简单、最常见的数据分析方法，一般用于核心指标的长期跟踪，比如点击率、GMV、活跃用户数。可以看出数据有那些趋势上的变化，有没有周期性，有没有拐点等，继而分析原因。
2.多维分解
也就是通过不同的维度对于数据进行分解，以获取更加精细的数据洞察。举个例子，对网站维护进行数据分析，可以拆分出地区、访问来源、设备、浏览器等等维度。
3.用户分群
针对符合某种特定行为或背景信息的用户，进行特定的优化和分析，将多维度和多指标作为分群条件，有针对性地优化供应链，提升供应链稳定性。
4.漏斗分析
按照已知的转化路径，借助漏斗模型分析总体和每一步的转化情况。例如将漏斗图用于网站关键路径的转化率分析，不仅能显示用户的最终转化率，同时还可以展示每一节点的转化率。
5.留存分析
留存分析是一种用来分析用户参与情况/活跃程度的分析模型，考察进行初始行为的用户中，有多少人会进行后续行为。衡量留存的常见指标有次日留存率、7日留存率、30日留存率等。
6.A/B 测试
A/B测试是为了达到一个目标，采取了两套方案，通过实验观察两组方案的数据效果，判断两组方案的好坏，需要选择合理的分组样本、监测数据指标、事后数据分析和不同方案评估。
7.对比分析
分为横向对比（跟自己比）和纵向对比（跟别人比），常见的对比应用有A/B test，A/B test的关键就是保证两组中只有一个单一变量，其他条件保持一致。
8.交叉分析
交叉分析法就是将对比分析从多个维度进行交叉展现，进行多角度的结合分析，从中发现最为相关的维度来探索数据变化的原因。
(2条消息) 数据分析方法论（6种方法，8个思路）_梵天的读书笔记的博客-CSDN博客_数据分析方法
三、面试问题
1.逻辑回归和线性回归区别？
线性回归解决的是回归问题，逻辑回归相当于是线性回归的基础上，来解决分类问题。
将线性回归变成一个0~1输出的分类问题。
区别：
1）线性回归用来预测连续的变量（房价预测），逻辑回归用来预测离散的变量（分类，癌症预测）。线性回归要求因变量是连续性数值变量，逻辑回归要求因变量是分类型变量。
2）线性回归是拟合函数，逻辑回归是预测函数
3）线性回归的参数计算方法是最小二乘法，逻辑回归的参数计算方法是似然估计的方法。
4）线性回归要求变量服从正态分布，逻辑回归对变量分布没有要求
最低0.47元/天 解锁文章
3143
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
