автор — Деванш Госвами
Наука о данных захватила этот мир, став самым важным и влиятельным событием этого века. Сегодня почти каждая проблема, прямо или косвенно, может быть решена путем внедрения науки о данных и ее различных инструментов. Наука о данных — это огромная область исследований, которую можно разделить на различные компоненты, включая машинное обучение, интеллектуальный анализ данных, визуализацию и т. д.
Одной из них, если не самой важной частью этой структуры, является статистическое моделирование данной задачи. Это упрощенный, математически формализованный способ приблизить реальность и, при необходимости, сделать прогнозы на основе этого приближения. Следовательно, используемое математическое уравнение называется статистической моделью.
Для создания статистической модели аналитики также должны иметь четкое представление о структуре данных и управлении ими, в том числе о том, как и где данные извлекаются, хранятся и поддерживаются, а также понимать основы манипулирования данными.
Когда приходит время анализировать данные, аналитики могут использовать множество статистических моделей.
Выбор правильной статистической модели –
Статистическая модель выбирается исключительно в соответствии с типом и количеством зависимых и независимых переменных, также называемых параметрами модели.
Исходя из этого, статистические модели далее подразделяются на две широкие модели, а именно: Модели регрессии и Модели классификации.
Регрессионные модели
Модели регрессии используются аналитиками для изучения взаимосвязей между переменными. Регрессионные модели часто используются организациями для определения того, какие независимые переменные оказывают наибольшее влияние на зависимые переменные.
Наиболее простой и простой регрессионной моделью является модель линейной регрессии, которая устанавливает связь между зависимой переменной и одной или несколькими независимыми переменными с помощью наиболее подходящей прямой линии, также называемой линией регрессии.
Другие модели регрессии включают логистическую регрессию, полиномиальную регрессию, пошаговую регрессию и т. д.
Модели классификации
Модель классификации пытается сделать некоторые выводы из наблюдаемых значений. Учитывая один или несколько входных данных, модель классификации попытается предсказать значение одного или нескольких результатов. Результаты — это метки, которые можно применить к набору данных. Наиболее часто используемая модель классификации – деревья решений. Это механический способ принятия решений путем разделения входных данных на более мелкие решения.
Существуют и другие модели классификации, используемые аналитиками, включая:
Логистическая регрессия, случайный лес, наивный байесовский алгоритм.
