京东春招商业分析笔试：数据分析与模型评估

"这份资料是2019届京东春季招聘商业分析的笔试题目，包含了数据分析类型、数据挖掘流程、回归模型预测、假设检验、聚类分析以及回归分析的前提假设等多个知识点，旨在测试应聘者的商业分析能力和统计学基础。" 在商业分析中，数据分析类型分为不同的类别： 1. 描述型分析：主要任务是从自然语言中提取出有意义的信息，对现状进行描述和总结。 2. 预测型分析：通过分析历史数据，预测未来的趋势和结果。 3. 指导型分析：基于数据和洞察提出策略建议，帮助企业决策。 4. 诊断型分析：目的是找出问题的原因，解释现象发生的背后逻辑。 CRISP-DM是一种广泛采用的数据挖掘标准流程，它包括以下几个阶段： 1. 商业理解：理解业务目标和背景。 2. 数据理解：了解数据集的内容和质量。 3. 数据准备：清洗和预处理数据，使其适合分析。 4. 建模：选择合适的模型并进行训练。 5. 评估：验证模型的效果和准确性。 6. 部署：将模型应用于实际业务。 回归模型预测中，R平方（R²）和P值是重要的评估指标： - R²表示模型拟合优度，值越大，表明模型解释变量变化的能力越强。 - P值用来衡量模型显著性的概率，P值越小，说明模型中的关系越显著，一般认为P值小于0.05的关联是有统计意义的。 假设检验是统计学中的核心概念，其中： - I类错误（α错误）指的是拒绝实际上为真的零假设（H0），即“以假为真”，其概率通常设定为α。 - II类错误（β错误）是指接受实际上为假的零假设，即“以真为假”，其概率通常用β表示，且α和β通常是互补关系，即α增大时，β会减小。 聚类分析是一种无监督学习方法，常用于发现数据的内在结构： - 常见的聚类算法有层次聚类（包括凝聚和分裂两种）、K-均值聚类以及DBSCAN等。 - 聚类度量用于评估两个对象的相似性，如SAD、SSD、MAE、MSE和距离度量（欧几里得距离、曼哈顿距离等）。 - 层次聚类的一个挑战是需要预先确定类别的数量，否则可能影响结果的准确性。 回归分析在进行时有一些基本假设： - 因变量同方差性：即每个观测值的误差项具有相同的方差。 - 自变量非随机：通常假设自变量是确定的或固定的，而非随机的。 - 线性关系：因变量和自变量之间的关系应该近似线性。 - 残差正态分布：模型的残差应服从正态分布。 表格中的数据可能来自回归分析的结果，展示的是系数（Coefficients）、未标准化系数（Unstandardized Coefficients）、标准化系数（Standardized Coefficients）以及t统计量和显著性水平（Sig.）。这些信息用于评估模型中各个自变量对因变量的影响程度和显著性。例如，如果Sig.值小于0.05，那么对应的自变量对因变量的影响就是显著的。