騰訊數(shù)據(jù)分析實(shí)戰(zhàn)

導(dǎo)讀：生活中的選擇行為無(wú)處不在，數(shù)據(jù)分析師面對(duì)的商業(yè)場(chǎng)景也存在大量的用戶選擇問(wèn)題。系統(tǒng)、科學(xué)地研究用戶選擇問(wèn)題，得到選擇行為背后的客觀規(guī)律，并基于這些規(guī)律提出業(yè)務(wù)優(yōu)化策略，這些能力對(duì)于數(shù)據(jù)分析師來(lái)說(shuō)非常重要且極具價(jià)值。

人們?nèi)粘Ｉ钪薪^大多數(shù)的決定和行為，都涉及選擇。早上去上班，我們需要決定通勤方式；去食堂吃飯，我們需要選擇菜品；購(gòu)買(mǎi)一臺(tái)冰箱，我們需要選擇品牌和型號(hào)。隨著經(jīng)濟(jì)的快速發(fā)展，人們的物質(zhì)和精神生活日益豐富，面臨的選擇也越來(lái)越多。作為數(shù)據(jù)分析師，在面對(duì)常見(jiàn)的選擇行為分析問(wèn)題時(shí)，應(yīng)該在數(shù)據(jù)之外深入思考這些選擇行為的本質(zhì)，下面以選擇出行方式為例，剖析選擇行為的具體邏輯。

引子：以出行為例剖析選擇行為的具體邏輯

1.出行選擇的場(chǎng)景還原

出行就是“在某時(shí)從A點(diǎn)到達(dá)B點(diǎn)”，這一行為主要面臨的選擇是“以什么方式前往”，回想一下我們平時(shí)做出行選擇時(shí)，是否有如下參考信息浮現(xiàn)在腦海。

• 可以選擇的交通方式有哪些？

• 同程的人多不多？

• 需要在什么時(shí)間到達(dá)？

• 出行預(yù)算是多少？

• 公共交通的便捷程度？

• 出行方式是否受天氣影響？
  
  

  
  

通常，我們會(huì)帶著這些疑問(wèn)打開(kāi)出行類App看看各類交通方式的花費(fèi)、耗時(shí)及路線，可能還會(huì)打開(kāi)天氣App看看未來(lái)一段時(shí)間是否下雨、是否有嚴(yán)重的霧霾，如圖1所示。

圖1 打開(kāi)App查看出行路線和天氣

2.出行選擇的決策邏輯

接下來(lái)，我們通過(guò)一個(gè)更加具體的案例說(shuō)明出行選擇的決策邏輯：有200個(gè)家庭要進(jìn)行家庭旅行，每個(gè)家庭的情況不同（包括出行人數(shù)、目的地、家庭年收入等），每個(gè)家庭都會(huì)在飛機(jī)、火車(chē)、長(zhǎng)途巴士及自駕車(chē)中選擇一種作為出行方式。

不同的家庭會(huì)有不同的選擇，在選擇的表象下有著相似的決策邏輯。我們嘗試置身于這個(gè)場(chǎng)景中，在大腦里構(gòu)建一張類似圖2的打分表。出行方式的屬性可以主要?dú)w結(jié)為行程外（等車(chē)）耗時(shí)、行程中耗時(shí)、行程花費(fèi)、舒適性等，確定這些出行方式的屬性后，再結(jié)合自身屬性（家庭收入、出行人數(shù)等），對(duì)每個(gè)選項(xiàng)進(jìn)行定性/定量的排序，得到最適合自己的選擇結(jié)果。

圖2 旅行出行方式打分表

在選擇的過(guò)程中，如果某個(gè)因素發(fā)生變化，就有可能對(duì)選擇結(jié)果產(chǎn)生影響。例如：其他因素保持不變，由于航空公司促銷，機(jī)票價(jià)格比火車(chē)票還便宜，你的選擇是不是會(huì)從火車(chē)改為飛機(jī)呢？再假設(shè)，臨行前你收獲一筆超過(guò)預(yù)期的獎(jiǎng)金，可支配的現(xiàn)金增多，是不是也會(huì)從火車(chē)改為飛機(jī)呢？

回到旅行出行方式選擇的案例中，我們對(duì)例子中的元素進(jìn)行映射。

• 決策者：一次選擇行為的主體（決策者屬性包括家庭收入、出行人數(shù)、天氣）。

• 備選項(xiàng)集合：飛機(jī)、火車(chē)、長(zhǎng)途巴士、自駕車(chē)（不同決策者的備選項(xiàng)集合可以不同）。

• 備選項(xiàng)屬性：行程外耗時(shí)、行程中耗時(shí)、行程花費(fèi)、舒適性（不同備選項(xiàng)的屬性也可以不同）。

• 選擇準(zhǔn)則：效用的最大化準(zhǔn)則。

• 選擇結(jié)果：備選項(xiàng)中的一個(gè)選項(xiàng)（每個(gè)選擇過(guò)程均存在選擇結(jié)果）。

離散選擇模型DCM詳述

離散選擇模型（DCM）的基本形式：選擇結(jié)果=F（決策者，備選項(xiàng)集合，備選項(xiàng)屬性）。下面我們?cè)敿?xì)介紹DCM的設(shè)計(jì)原理、DCM的常見(jiàn)應(yīng)用場(chǎng)景以及重要的數(shù)據(jù)知識(shí)。

DCM是用來(lái)分析“從有限互斥選項(xiàng)集中進(jìn)行單項(xiàng)選擇”的計(jì)量模型。與大多數(shù)計(jì)量經(jīng)濟(jì)學(xué)建模一樣，DCM主要實(shí)現(xiàn)以下三點(diǎn)。

• 預(yù)測(cè)一組決策者的決策行為。

• 確定決策者在做出選擇決策時(shí)，不同選項(xiàng)屬性的影響。

• 了解不同群體如何評(píng)價(jià)一個(gè)備選項(xiàng)的不同屬性，以便通過(guò)精心設(shè)計(jì)的策略，通過(guò)修改對(duì)個(gè)體決策者重要的選項(xiàng)的屬性，以主動(dòng)的方式改變行為。
  
  

  
  

我們定義如下數(shù)學(xué)公式表示效用最大化理論。

其中U為效用函數(shù)，X_i、X_j為備選項(xiàng)屬性矢量，S_t為決策者屬性矢量；表示相對(duì)備選項(xiàng)j，決策者更偏好于備選項(xiàng)i；表示備選項(xiàng)集合C中的任意備選項(xiàng)j。

一般情況下，每個(gè)選項(xiàng)的屬性是不同的，而決策者屬性是相同的，我們選擇了飛機(jī)，就意味著飛機(jī)的效用是4個(gè)選項(xiàng)中效用最大的。而模型需要做的就是依靠已知的，得到效用函數(shù)。有建模經(jīng)驗(yàn)的讀者知道，模型本身是一種包括未知參數(shù)的計(jì)算框架，需要依靠訓(xùn)練數(shù)據(jù)經(jīng)過(guò)參數(shù)估計(jì)過(guò)程得到最終模型結(jié)果。

1.Probit模型

假設(shè)分析師能夠了解決策過(guò)程的所有因素，可以對(duì)各因素做出準(zhǔn)確的測(cè)量，且了解每個(gè)決策者對(duì)備選項(xiàng)的評(píng)價(jià)形式，那么分析師可以使用確定效用模型準(zhǔn)確地描述決策過(guò)程。然而現(xiàn)實(shí)中，分析師并不具備這種能力，我們的模型也不能100%的準(zhǔn)確，在模型中需要考慮客觀存在的偏差，因此，DCM的效用表達(dá)式為

 其中，V_it表示分析師觀察到的效用部分，通常稱之為確定性部分；是全部真實(shí)效用與效用確定性部分的差異，我們稱之為殘差部分。殘差主要來(lái)自以下幾個(gè)方面。

• 未觀察到的備選項(xiàng)屬性：分析師了解到的備選項(xiàng)屬性不完整，模型忽略了一些影響效用計(jì)算的備選項(xiàng)屬性。

• 未觀察到的決策者屬性：分析師了解到的決策者屬性不完整，而且現(xiàn)實(shí)中人與人之間總會(huì)存在諸多差異，這些因素也會(huì)導(dǎo)致效用計(jì)算產(chǎn)生誤差。

• 屬性的測(cè)量誤差：備選項(xiàng)的屬性不可準(zhǔn)確觀測(cè)。

• 工具變量引入的誤差：當(dāng)分析師通過(guò)引入工具變量處理未知變量時(shí)，估計(jì)值與實(shí)際值之間存在不完全表示關(guān)系，同樣會(huì)產(chǎn)生效用計(jì)算的誤差。
  
  

通過(guò)理解殘差項(xiàng)以及對(duì)人類行為進(jìn)行客觀觀察，我們知道人類行為是具有概率性質(zhì)的，而DCM就是基于概率選擇理論設(shè)計(jì)出來(lái)的。

我們使用模型描述的是選擇的概率，而不是預(yù)測(cè)一個(gè)人肯定會(huì)選擇某個(gè)備選項(xiàng)。這些概率反映了具有給定屬性且面對(duì)同一組備選項(xiàng)的決策者選擇每個(gè)備選項(xiàng)的概率。

其中，為殘差的聯(lián)合密度函數(shù)，I是判斷函數(shù)，如果括號(hào)之間的語(yǔ)句為真，則函數(shù)結(jié)果為1，如果為假，則函數(shù)結(jié)果為0。不同的DCM有不同形式的，常用DCM有Logit模型和Probit模型，二者的區(qū)別在于不同，分別為L(zhǎng)ogit分布和正態(tài)分布。由于Logit模型更具計(jì)算優(yōu)勢(shì)，因此應(yīng)用廣泛。

2.效用函數(shù)的設(shè)計(jì)

效用函數(shù)的確定部分是備選項(xiàng)屬性和決策者屬性的數(shù)學(xué)函數(shù)。理論上講，可以有任何數(shù)學(xué)形式，但為了便于模型參數(shù)的估計(jì)及模型解釋，通常采用加法形式，具體形式如下。

其中，V(X_i)是備選項(xiàng)屬性貢獻(xiàn)的確定效用；V(S_t)是決策者屬性貢獻(xiàn)的確定效用；V(X_i，S_t)是備選項(xiàng)屬性與決策者屬性的相互作用貢獻(xiàn)的確定效用。

對(duì)公式進(jìn)一步拆分，V(X_i)的數(shù)學(xué)形式可以表達(dá)如下，其中是待估計(jì)的模型參數(shù)。

如上式所示，每個(gè)備選項(xiàng)的確定效用是其屬性的加權(quán)和（系數(shù)需要我們基于訓(xùn)練數(shù)據(jù)估計(jì)得到）。DCM允許不同備選項(xiàng)具備相同或不同的屬性系數(shù)。例如，在選擇不同的出行方式時(shí)，各出行方式的費(fèi)用和時(shí)間是在決策過(guò)程中需要考慮的兩個(gè)重要屬性。設(shè)和

分別作為費(fèi)用和時(shí)間對(duì)決策的影響系數(shù)，假定不同出行方式的花費(fèi)對(duì)效用的影響是一致的，即共用屬性系數(shù)；而對(duì)于時(shí)長(zhǎng)系數(shù)，飛機(jī)、火車(chē)、長(zhǎng)途巴士3種公共交通需要與他人共乘，可能與自駕的感受不同。因此飛機(jī)、火車(chē)、長(zhǎng)途巴士的時(shí)長(zhǎng)系數(shù)使用表示，而自駕的時(shí)長(zhǎng)系數(shù)用表示。

在實(shí)際場(chǎng)景中，決策者對(duì)備選項(xiàng)會(huì)表現(xiàn)出特定偏好（ASC），且這些偏好不能被屬性解釋。在這種情況下，效用函數(shù)變?yōu)槿缦滦问健?/span>

對(duì)應(yīng)上面的例子，各交通方式的效用形式變?yōu)槿缦滦问剑渲凶择{為“參考”備選項(xiàng)，表示相對(duì)于自駕決策者對(duì)飛機(jī)的特定選擇偏好。

此外，不同屬性的決策者對(duì)于各備選項(xiàng)會(huì)有不同的偏好。例如，收入高的家庭可能更偏向選擇飛機(jī)，出行成員較多的家庭可能更偏向選擇自駕，因此引入引入收入屬性是必要的。效用函數(shù)確定部分變?yōu)槿缦滦问健?/span>

以上就是DCM的基本設(shè)計(jì)原理。與傳統(tǒng)的線性回歸模型相似，在實(shí)際操作中，我們需要做的就是依據(jù)對(duì)業(yè)務(wù)的理解及實(shí)際數(shù)據(jù)表現(xiàn)，確定效用函數(shù)形式，最后對(duì)模型進(jìn)行解讀，得到商業(yè)洞見(jiàn)。

DCM的應(yīng)用場(chǎng)景

由于選擇過(guò)程是多樣的，對(duì)于不同的選擇過(guò)程需要應(yīng)用不同的DCM。常用的DCM如表1-1所示，常用場(chǎng)景示例如圖1-4所示。使用錯(cuò)誤的選擇模型會(huì)造成分析結(jié)果偏差，我們需要結(jié)合業(yè)務(wù)邏輯和數(shù)據(jù)反饋謹(jǐn)慎選擇模型，盡可能得到準(zhǔn)確的結(jié)果。

表1 常用DCM模型及應(yīng)用場(chǎng)景

圖4 常用應(yīng)用場(chǎng)景示例

案例：使用多項(xiàng)Logit模型分析多種交通方式選擇問(wèn)題

如果要同時(shí)分析4種交通方式的選擇問(wèn)題，需要使用MNL或NL模型。下面介紹基于IIA假定的MNL模型。模型的問(wèn)題場(chǎng)景映射如圖5所示。

圖5 MNL的場(chǎng)景邏輯示意圖

需要注意的是，MNL的輸入數(shù)據(jù)為長(zhǎng)格式。不同于LR，MNL需要更加詳細(xì)、復(fù)雜的初始化聲明，指定每種選項(xiàng)的效用函數(shù)形式。為了保證信息的完整性，盡量先保留自變量，定義如下模型。

根據(jù)設(shè)計(jì)好的模型結(jié)構(gòu)搭建模型。如代碼清單1所示。

代碼清單1　搭建MNL模型# 第一步：模型初始化聲明basic_specification = OrderedDict()basic_names = OrderedDict()# 注意截距項(xiàng)包含選項(xiàng)個(gè)數(shù)減1 basic_specification["intercept"] = [0, 1, 2]basic_names["intercept"] = ['ASC_air', 'ASC_train', 'ASC_bus']# 可以靈活指定備選項(xiàng)屬性的影響方式basic_specification["TTME"] = [[0, 1, 2]]basic_names["TTME"] = ['TTME']basic_specification["INVC"] = [[0, 1, 2, 3]]basic_names["INVC"] = ['INVC']basic_specification["INVT"] = [[0, 1, 2, 3]]basic_names["INVT"] = ['INVT']# 也可以靈活指定決策者的影響方式，但需要注意的是，由于每個(gè)選項(xiàng)的決策者屬性都一樣，因此保證可估計(jì)性只對(duì)部分選項(xiàng)生效basic_specification["HINC"] = [0, 1, 2]basic_names["HINC"] = ['HINC_air', 'HINC_train', 'HINC_bus']basic_specification["PSIZE"] = [0, 1, 2]basic_names["PSIZE"] = ['PSIZE_air', 'PSIZE_train', 'PSIZE_bus']# 第二步：創(chuàng)建模型mnl = pl.create_choice_model(data = model_data,                alt_id_col="ALT_ID",                obs_id_col="OBS_ID",                choice_col="MODE",                specification=basic_specification,                model_type = "MNL",                names=basic_names)# 第三步：模型估計(jì)和模型結(jié)果mnl.fit_mle(np.zeros(12)) # 需要輸入模型參數(shù)數(shù)量，根據(jù)之前的模型表達(dá)式即可得到mnl.get_statsmodels_summary()# | -------------------------------------------------------------# |               coef     std.err z       P>|z|   [0.025  0.975]# | -------------------------------------------------------------# | ASC_air       6.0352   1.138   5.302   0.000   3.804   8.266# | ASC_train     5.5735   0.711   7.836   0.000   4.179   6.968# | ASC_bus       4.5047   0.796   5.661   0.000   2.945   6.064# | TTME         -0.1012   0.011  -9.081   0.000  -0.123  -0.079# | INVC         -0.0087   0.008  -1.101   0.271  -0.024   0.007# | INVT         -0.0041   0.001  -4.627   0.000  -0.006  -0.002# | HINC_air      0.0075   0.013   0.567   0.571  -0.018   0.033# | HINC_train   -0.0592   0.015  -3.977   0.000  -0.088  -0.03# | HINC_bus     -0.0209   0.016  -1.278   0.201  -0.053   0.011# | PSIZE_air    -0.9224   0.259  -3.568   0.000  -1.429  -0.416# | PSIZE_train   0.2163   0.234   0.926   0.355  -0.242   0.674# | PSIZE_bus    -0.1479   0.343  -0.432   0.666  -0.820   0.524# |==============================================================

模型的搭建完成后，我們會(huì)發(fā)現(xiàn)有些變量不顯著，此時(shí)需要進(jìn)行模型的修正，如代碼清單2所示。這里受篇幅限制，主要使用屬性剔除及屬性影響合并的方式進(jìn)行修正，修正后的模型聲明及模型效果如下。

代碼清單2　修正MNL模型basic_specification = OrderedDict()basic_names = OrderedDict()basic_specification["intercept"] = [0, 1, 2]basic_names["intercept"] = ['ASC_air', 'ASC_train', 'ASC_bus']basic_specification["TTME"] = [[0, 1, 2]]basic_names["TTME"] = ['TTME']basic_specification["INVT"] = [[0, 1, 2, 3]]basic_names["INVT"] = ['INVT']basic_specification["HINC"] = [[1, 2]]basic_names["HINC"] = [ 'HINC_train_bus']basic_specification["PSIZE"] = [0]basic_names["PSIZE"] = ['PSIZE_air']mnl = pl.create_choice_model(data = model_data,                alt_id_col="ALT_ID",                obs_id_col="OBS_ID",                choice_col="MODE",                specification=basic_specification,                model_type = "MNL",                names=basic_names)mnl.fit_mle(np.zeros(7))mnl.get_statsmodels_summary()# | -----------------------------------------------------------------# |                   coef     std.err z       P>|z|   [0.025  0.975]# | -----------------------------------------------------------------# | ASC_air          5.6860   0.937   6.068   0.000   3.849   7.523# | ASC_train        5.4034   0.603   8.959   0.000   4.221   6.585# | ASC_bus          5.0128   0.623   8.051   0.000   3.792   6.233# | TTME            -0.0992   0.011  -9.428   0.000  -0.12   -0.079# | INVT            -0.0039   0.001  -4.489   0.000  -0.006  -0.002# | HINC_train_bus  -0.0500   0.011  -4.484   0.000  -0.072  -0.028# | PSIZE_air       -0.8997   0.245  -3.680   0.000  -1.379  -0.420# |==================================================================

根據(jù)模型系數(shù)可以初步判定模型的合理性，例如：TTME的系數(shù)為負(fù)，可以解釋為當(dāng)某個(gè)備選項(xiàng)站點(diǎn)等待時(shí)間延長(zhǎng)，其被選擇的概率會(huì)降低；HINC_train_bus的系數(shù)為負(fù)，可以解釋為隨著家庭收入增加，選擇火車(chē)或長(zhǎng)途汽車(chē)的概率會(huì)降低。這種定性的合理性判斷有利于我們判斷模型搭建是否合理。當(dāng)然，如果想發(fā)揮模型真正的價(jià)值，還需要對(duì)模型進(jìn)行量化解讀。

對(duì)MNL模型的解讀需要基于其預(yù)測(cè)功能，原理已經(jīng)在1.2.3節(jié)進(jìn)行了闡述，這里主要進(jìn)行代碼實(shí)現(xiàn)，如代碼清單3所示。假設(shè)其他條件保持不變，因?yàn)榛疖?chē)提速，使得行程耗時(shí)降低20%，通過(guò)計(jì)算可知：

• 飛機(jī)的選擇概率會(huì)由27.6%變?yōu)?5.6%，降低了2.0%。

• 火車(chē)的選擇概率會(huì)由30.0%變?yōu)?6.2%，提升了6.2%。

• 長(zhǎng)途汽車(chē)的選擇概率會(huì)由14.3%變?yōu)?2.7%，降低1.6%。

• 自駕的選擇概率會(huì)由28.1%變?yōu)?5.5%，降低2.6%。

代碼清單3　解讀MNL模型# 創(chuàng)建用于預(yù)測(cè)的dfprediction_df = model_data[['OBS_ID', 'ALT_ID', 'MODE','TTME', 'INVT','HINC','PSIZE']]choice_column = "MODE"# 對(duì)火車(chē)耗時(shí)進(jìn)行變化def INVT(x,y):    if x == 1:        return y*0.8    else:        return yprediction_df['INVT'] = prediction_df.apply(lambda x: INVT(x.ALT_ID, x.INVT), axis = 1)# 默認(rèn)情況下，predict()方法返回的結(jié)果是每個(gè)備選方案的選擇概率prediction_array = mnl.predict(prediction_df)# 存儲(chǔ)預(yù)測(cè)概率prediction_df["MNL_Predictions"] = prediction_array# 對(duì)比變化前后的概率raw_probability = prediction_df.groupby(['ALT_ID'])['MODE'].mean()new_probability = prediction_df.groupby(['ALT_ID'])['MNL_Predictions'].mean()print("--------原概率--------")print(raw_probability)print("--------新概率--------")print(new_probability)# | --------原概率--------# | ALT_ID# | 0    0.276190# | 1    0.300000# | 2    0.142857# | 3    0.280952# | Name: MODE, dtype: float64# | --------新概率--------# | ALT_ID# | 0    0.255643# | 1    0.362788# | 2    0.126937# | 3    0.254632

本文摘編于《數(shù)據(jù)科學(xué)工程實(shí)踐：用戶行為分析與建模、A/B實(shí)驗(yàn)、SQLFlow》。

這是一本將數(shù)據(jù)科學(xué)三要素一一商業(yè)理解、量化模型、數(shù)據(jù)技術(shù)全面打通的實(shí)戰(zhàn)性著作，是來(lái)自騰訊、滴滴、快手等一線互聯(lián)網(wǎng)企業(yè)的數(shù)據(jù)科學(xué)家、數(shù)據(jù)分析師和算法工程師的經(jīng)驗(yàn)總結(jié)，得到了SQLFlow創(chuàng)始人以及騰訊、網(wǎng)易、快手、貝殼找房、谷歌等企業(yè)的專家一致好評(píng)和推薦。 

本書(shū)分三個(gè)部分，內(nèi)容相對(duì)獨(dú)立，既能幫助初學(xué)者建立知識(shí)體系，又能幫助從業(yè)者解決商業(yè)中的實(shí)際問(wèn)題，還能幫助有經(jīng)驗(yàn)的專家快速掌握數(shù)據(jù)科學(xué)的新技術(shù)和發(fā)展動(dòng)向。內(nèi)容圍繞非實(shí)驗(yàn)環(huán)境下的觀測(cè)數(shù)據(jù)的分析、實(shí)驗(yàn)的設(shè)計(jì)和分析、自助式數(shù)據(jù)科學(xué)平臺(tái)3大主題展開(kāi)，涉及統(tǒng)計(jì)學(xué)、經(jīng)濟(jì)學(xué)、機(jī)器學(xué)習(xí)、實(shí)驗(yàn)科學(xué)等多個(gè)領(lǐng)域，包含大量常用的數(shù)據(jù)科學(xué)方法、簡(jiǎn)潔的代碼實(shí)現(xiàn)和經(jīng)典的實(shí)戰(zhàn)案例。 

第一部分（第1-6章）觀測(cè)數(shù)據(jù)的分析技術(shù) 
講解了非實(shí)驗(yàn)環(huán)境下不同觀測(cè)數(shù)據(jù)分析場(chǎng)景所對(duì)應(yīng)的分析框架、原理及實(shí)際操作，包括消費(fèi)者選擇偏好分析、消費(fèi)者在時(shí)間維度上的行為分析、基于機(jī)器學(xué)習(xí)的用戶生命周期價(jià)值預(yù)測(cè)、基于可解釋模型技術(shù)的商業(yè)場(chǎng)景挖掘、基于矩陣分解技術(shù)的用戶行為規(guī)律發(fā)現(xiàn)與挖掘，以及在不能進(jìn)行實(shí)驗(yàn)分析時(shí)如何更科學(xué)地進(jìn)行全量評(píng)估等內(nèi)容。

第二部分（第7～9章）實(shí)驗(yàn)設(shè)計(jì)和分析技術(shù) 
從A/B實(shí)驗(yàn)的基本原理出發(fā)，深入淺出地介紹了各種商業(yè)場(chǎng)景下進(jìn)行實(shí)驗(yàn)設(shè)計(jì)需要參考的原則和運(yùn)用的方法，尤其是在有樣本量約束條件下提升實(shí)驗(yàn)效能的方法及商業(yè)場(chǎng)景限制導(dǎo)致的非傳統(tǒng)實(shí)驗(yàn)設(shè)計(jì)。 

第三部分（第10～12章）自助式數(shù)據(jù)科學(xué)平臺(tái)SQLFlow 
有針對(duì)性地講解了開(kāi)源的工程化的自助式數(shù)據(jù)科學(xué)平臺(tái)SQLFlow，并通過(guò)系統(tǒng)配置、黑盒模型的解讀器應(yīng)用、聚類分析場(chǎng)景等案例幫助讀者快速了解這一面向未來(lái)的數(shù)據(jù)科學(xué)技術(shù)。

推薦閱讀
（點(diǎn)擊標(biāo)題可跳轉(zhuǎn)閱讀）
下載 | 經(jīng)典著作《機(jī)器學(xué)習(xí)：概率視角》.pdf
從貝葉斯定理到概率分布：詳解概率論
機(jī)器學(xué)習(xí)：XGBoost vs 神經(jīng)網(wǎng)絡(luò)
斯坦福大學(xué)計(jì)算機(jī)系，所有課程！
關(guān)于決策樹(shù)，你一定要知道的知識(shí)點(diǎn)！
Python 優(yōu)化提速的 8 個(gè)小技巧
老鐵，三連支持一下，好嗎？↓↓↓