数据预处理—4.为什么要趋近于正态分布?详解

多变量分析统计基于的假设

1. 正态性
   当谈论正态性时，即数据应该看起来像正态分布。这很重要，因为几个统计检验都依赖于此（例如t统计）。单变量正态性虽然不能确保多变量正态性（这是我们想要的），但它有帮助。在大样本数据中，如果我们解决正态性，我们就避免了很多其他问题（例如异方差），所以这就是我们进行这种分析的主要原因。
2. 同方差
   同方差性是指“假设因变量在预测变量范围内的方差水平相等。同方差是可取的，因为我们希望误差项在所有自变量的值上都是相同的。
3. 线性度
   评估线性度最常见的方法是检查散点图并寻找线性模式。如果模式不是线性的，那么研究数据转换是值得的。
4. 无相关误差。
   相关错误是在一个错误与另一个错误相关联时发生的。
   例如，如果一个正误差系统地产生一个负误差，则意味着这些变量之间存在关联。
   这通常发生在时间序列中，其中某些模式与时间相关。

1.为什么变量分布要呈现正态分布？

  我不是统计学科班，对于这些统计上的概念不是很理解。在特征工程中，我们为什么想要变量分布呈现正态分布？我觉得可以这么理解：单变量正态性虽然不能保证多变量的正态性，但是它是有帮助的。并且一般解决了正态性问题的话，就可以解决异方差或者线性度的问题。而且很多模型假设数据服从正态分布后，它的样本均值和方差就相互独立，这样就能更好的进行统计推断和假设验证。

2.判断数据是否服从正态分布的指标：偏态与峰度

  这里就不详细介绍了，可参考其他博客偏态与分布。
  正态分布是指多数频数集中在中央位置，两端的频数分布大致对称。偏态分布是指频数分布不对称，集中位置偏向一侧。若集中位置偏向数值小的一侧，称为正(右)偏态分布；集中位置偏向数值大的一