大数据分析分为描述性分析和什么
-
预测性分析、诊断性分析和决策性分析。描述性分析主要用于描述数据的基本特征和总体情况，包括数据的中心趋势、离散程度、分布特征等；而预测性分析则是通过建立模型和算法，基于历史数据预测未来趋势和结果，帮助决策者做出预测性决策；诊断性分析则是用于了解数据背后的原因和关系，发现数据中的问题和异常；最后，决策性分析则是基于分析结果做出决策并进行相应的优化和调整，帮助决策者做出有效的战略选择。在实际应用中，这四种分析方法往往相互交织，综合应用能够更全面地挖掘数据的潜力，帮助企业做出更具有竞争力的决策。
2年前 0条评论 -
预测性分析、诊断性分析和决策性分析。
2年前 0条评论 -
大数据分析分为描述性分析和推断性分析。
描述性分析
1. 数据清洗
描述性分析的第一步是进行数据清洗。这包括处理缺失值、异常值、重复值等数据质量问题，确保数据的准确性和完整性。
2. 数据探索
数据探索是描述性分析的重要阶段，通过汇总和可视化数据来了解数据的基本特征和分布情况。常用的可视化技术包括直方图、散点图、箱线图等，通过这些图表可以发现数据的规律和趋势。
3. 特征工程
在描述性分析中，特征工程是非常重要的一步。它包括特征选择、特征提取、特征变换等过程，旨在提取和构建对分析任务有用的特征，为后续的建模和分析做准备。
4. 摘要统计
在描述性分析中，常用的统计量包括均值、中位数、标准差、最大值、最小值等。这些统计量可以帮助我们快速了解数据的整体情况，判断数据的分布是否符合我们的预期。
推断性分析
1. 统计推断
推断性分析是基于样本推断总体特征的过程，借助统计学方法对样本数据进行分析以得到总体的结论。常用的方法包括假设检验、置信区间估计等，用于检验总体参数的假设并对其进行推断。
2. 数据建模
数据建模是推断性分析的重要环节，通过建立数学模型来描述数据之间的关系，并利用模型进行预测和推断。常用的建模方法包括回归分析、聚类分析、分类分析等，用于发掘数据中隐藏的规律和结构。
3. 预测分析
预测分析是推断性分析的一个重要应用领域，通过建立预测模型来预测未来事件的发生概率或结果。常用的预测模型包括时间序列分析、机器学习模型等，用于帮助决策者做出准确的预测和决策。
4. 因果分析
因果分析是推断性分析的高级形式，旨在确定一个变量是否引起或导致另一个变量的变化。因果分析需要处理自然实验或随机对照试验等方法，以消除混淆因素和证明因果关系。
在大数据分析中，描述性分析和推断性分析密切相关，两者相辅相成，共同帮助分析师从数据中挖掘出有价值的信息和洞察力。描述性分析提供了数据的基本描述和概况，而推断性分析则进一步深入分析数据之间的关系和规律，为决策提供支持和指导。
2年前 0条评论
