Module 02 · From Understanding to Preparation and From Modeling to Evaluation
Modeling - Concepts从建模到评估：数据科学方法论 101 – 建模 (概念篇)
1. 建模阶段概述与目标
建模 (Modeling) 是数据科学方法论中的一个阶段，在这个阶段，数据科学家有机会“品尝酱汁”，并判断它是否“恰到好处”，或者是否需要“更多调味”！
本课程的这一部分旨在回答两个关键问题：
- 数据建模的目的是什么？
- 该过程有哪些特点？
建模的类型与目的
数据建模侧重于开发描述性或预测性模型。这些模型基于之前所采取的分析方法（统计驱动或机器学习驱动）。
| 模型类型 | 目的 | 示例 |
|---|---|---|
| 描述性模型 (Descriptive) | 考察关系和偏好。 | 例如：如果一个人做了 A 事，那么他们可能更喜欢 B 物。 |
| 预测性模型 (Predictive) | 旨在得出是非/停止/前进类型的结果。 | 例如：预测某事件会发生（是/否）的可能性。 |
2. 训练集的应用与迭代优化
数据科学家将使用训练集进行预测建模。
- 训练集：这是一组已知结果的历史数据。
- 作用：训练集就像一个测量仪表，用于确定模型是否需要校准。
在这个阶段，数据科学家将尝试不同的算法，以确保所涉及的变量都是必需的。
持续优化的必要性
数据汇编、准备和建模的成功，依赖于对现有问题的理解以及所采取的适当分析方法。数据为回答问题提供了支持，正如烹饪中食材的质量一样，为结果奠定了基础。
在每个步骤中，持续的精炼、调整和微调是必要的，以确保产出结果是扎实的。
3. John Rollins 方法论的核心框架
在 John Rollins 的描述性数据科学方法论中，其框架旨在完成以下三件事：
- 理解现有问题。
- 选择分析方法或途径来解决问题。
- 获取、理解、准备和模型化数据。
最终目标是将数据科学家引导至可以构建数据模型来回答问题的阶段。
延伸思考：就像晚餐即将上桌，饥饿的客人在等待，关键问题是：“我做的食物够吃吗？”
4. 后续阶段的重要性与领域发展
在本方法论阶段的最后，模型评估 (Model Evaluation)、部署 (Deployment) 和反馈循环 (Feedback Loops) 将确保答案是接近且相关的。
领域相关性
这种相关性对整个数据科学领域至关重要，因为它是一个相对较新的研究领域，我们对它所能提供的可能性很感兴趣。
受益于这种实践成果的人越多，该领域的发展就会越深入。
感谢收看！本视频结束了课程中与建模相关的关键概念部分。