聰明的你可能已經(jīng)想到,我們常用的數(shù)據(jù)透視表就是一種維度分析
2018-08-16 閱讀全文>>數(shù)據(jù)模型將復(fù)雜的數(shù)據(jù)以結(jié)構(gòu)化的形式有序的組織起來(lái)
2018-08-16 閱讀全文>>維度是描述對(duì)象的參數(shù),在具體分析中,我們可以把它認(rèn)為是分析事物的角度。銷(xiāo)量是一種角度、活躍率是一種角度,時(shí)間也是一種角度,所以它們都能算維度。
2018-08-16 閱讀全文>>既然指標(biāo)太多太復(fù)雜不好,那么應(yīng)該如何正確的選擇指標(biāo)呢?
2018-08-16 閱讀全文>>第三個(gè)壞指標(biāo)是復(fù)雜性指標(biāo),它將數(shù)據(jù)分析陷于一堆指標(biāo)造成的陷阱中
2018-08-16 閱讀全文>>比如我有一個(gè)流失用戶的定義:三個(gè)月沒(méi)有打開(kāi)APP就算做流失。那么運(yùn)營(yíng)每天統(tǒng)計(jì)的流失用戶數(shù),都是很久沒(méi)有打開(kāi)過(guò)的,以時(shí)效性看,已經(jīng)發(fā)生很久了,也很難通過(guò)措施挽回。我知道曾經(jīng)因?yàn)槟硞€(gè)不好的運(yùn)營(yíng)手段傷害了用戶,可是還有用嗎?
2018-08-16 閱讀全文>>核心驅(qū)動(dòng)指標(biāo)和公司發(fā)展關(guān)聯(lián),是公司在一個(gè)階段內(nèi)的重點(diǎn)方向
2018-08-16 閱讀全文>>不是所有的指標(biāo)都是好的。這是初出茅廬者常犯的錯(cuò)誤。我們繼續(xù)回到老王的水果鋪?zhàn)樱瑏?lái)思考一下“銷(xiāo)量”這個(gè)指標(biāo)究竟是不是好的?
2018-08-16 閱讀全文>>了解和使用指標(biāo)是數(shù)據(jù)分析思維的第一步,接下來(lái)你需要建立指標(biāo)體系
2018-08-16 閱讀全文>>在我們談?wù)撝笜?biāo)之前,先將時(shí)間倒推幾十年,現(xiàn)代管理學(xué)之父彼得·德魯克說(shuō)過(guò)一句很經(jīng)典的話:如果你不能衡量它,那么你就不能有效增長(zhǎng)它。
2018-08-16 閱讀全文>>曾經(jīng)有人問(wèn)過(guò)我,什么是數(shù)據(jù)分析思維?如果分析思維是一種結(jié)構(gòu)化的體現(xiàn),那么數(shù)據(jù)分析思維在它的基礎(chǔ)上再加一個(gè)準(zhǔn)則:不是我覺(jué)得,而是數(shù)據(jù)證明。
2018-08-16 閱讀全文>>真實(shí)結(jié)果的偏離程度,即刻畫(huà)了學(xué)習(xí)算法本身的擬合能力;方差(2 38)度量了同樣大小的訓(xùn)練集的變動(dòng)所導(dǎo)致的學(xué)習(xí)性能的變化,即刻畫(huà)了數(shù)據(jù)擾動(dòng)所造成的影響;
2018-08-16 閱讀全文>>對(duì)學(xué)習(xí)算法除了通過(guò)實(shí)驗(yàn)估計(jì)其泛化性能,人們往往還希望了解它“為什么”具有這樣的性能
2018-08-16 閱讀全文>>交叉驗(yàn)證t檢驗(yàn)和McNemar檢驗(yàn)都是在一個(gè)數(shù)據(jù)集上比較兩個(gè)算法的性能
2018-08-16 閱讀全文>>對(duì)兩個(gè)學(xué)習(xí)器A和B,若我們使用尼折交叉驗(yàn)證法得到的測(cè)試錯(cuò)誤率分別為e
2018-08-16 閱讀全文>>27029條 上一頁(yè) 1.. 1363 1364 1365 1366 1367 ..1802 下一頁(yè)