今天来聊聊如何快速做一篇数据挖掘报告！
数据挖掘报告一般分为：研究背景、研究目的、模型介绍、数据集介绍、数据描述性统计、数据建模这几个部分
==============分割线===============
研究背景/目的：这个可以在网上找些资料，借助科技手段快速完成
模型介绍：可以简单介绍一下你要用的模型，本文用了逻辑回归和XGBoost模型，就简单介绍一下原理
数据集介绍：一般做机器学习分类有很多现成的数据集，可以去官网上下载，有些数据集直接能接入python，写一段代码就可以直接导入了
数据描述性统计：这个基本上数分报告都要做，一般可以对所有变量做一个总的表，均值、标准差、最大值、最小值这些。然后再hua4几张图，分类变量可以融入图片，增加文章美观度，例如：分簇柱状图、分类箱线图、分类和密度曲线图。
数据建模：首先切分训练集、测试集，数据标准化，然后输入到你想用的模型里，最后检验预测效果，输出特征重要性排序即可
#机器学习 #深度学习 #数据分析 #python
数据挖掘报告一般分为：研究背景、研究目的、模型介绍、数据集介绍、数据描述性统计、数据建模这几个部分
==============分割线===============
研究背景/目的：这个可以在网上找些资料，借助科技手段快速完成
模型介绍：可以简单介绍一下你要用的模型，本文用了逻辑回归和XGBoost模型，就简单介绍一下原理
数据集介绍：一般做机器学习分类有很多现成的数据集，可以去官网上下载，有些数据集直接能接入python，写一段代码就可以直接导入了
数据描述性统计：这个基本上数分报告都要做，一般可以对所有变量做一个总的表，均值、标准差、最大值、最小值这些。然后再hua4几张图，分类变量可以融入图片，增加文章美观度，例如：分簇柱状图、分类箱线图、分类和密度曲线图。
数据建模：首先切分训练集、测试集，数据标准化，然后输入到你想用的模型里，最后检验预测效果，输出特征重要性排序即可
#机器学习 #深度学习 #数据分析 #python
