为什么统计数据的某些部分未用于数据科学
Why some portion of statistics is not used in data science
我学习了统计数据，包括均值、中位数、众数和不同的测试
进行 Z 检验、F 检验和卡方检验，几乎都参与
困难的数字数据预测挑战，例如 kaggle 和其他
平台我几乎看不到任何人使用 z、f、卡方、
等统计检验
这些数据的标准化 - 我们都使用箱线图、条形图来查看均值，
中位数、众数等
我的问题是这些测试在哪些方面是数据科学中不可或缺的一部分，因为
这类问题主要是基于研究设计的。
在数据科学问题中理想地应该使用统计学的哪一部分，
当数据科学必须使用所有统计数据时，为什么只使用一部分。
我问的是除算法之外的测试和其他统计数据。
如果您正在研究 A/B 测试之类的东西，您很可能会在数据科学中看到统计假设检验，您的目标是确定两个样本之间是否存在可靠差异差异的大小。
Kaggle 竞赛特别是监督学习问题，而不是假设检验，这就是为什么你看不到人们使用 chi-squared 之类的东西的原因。 （这是有道理的：如果你有十个人对同一个数据集进行假设检验，他们应该都会得到几乎相同的答案，这将导致一场非常无趣的竞争。）
就个人而言，我认为熟悉统计假设检验和 machine-learning 技术是很好的，因为它们有不同的用途。希望有帮助！ :)
数据科学中的每个问题都需要不同的方法，因此通用统计数据可能不适用。可能会出现一些不需要统计的问题
我学习了统计数据，包括均值、中位数、众数和不同的测试
进行 Z 检验、F 检验和卡方检验，几乎都参与
困难的数字数据预测挑战，例如 kaggle 和其他
平台我几乎看不到任何人使用 z、f、卡方、
等统计检验这些数据的标准化 - 我们都使用箱线图、条形图来查看均值，
中位数、众数等
我的问题是这些测试在哪些方面是数据科学中不可或缺的一部分，因为
这类问题主要是基于研究设计的。
在数据科学问题中理想地应该使用统计学的哪一部分，
当数据科学必须使用所有统计数据时，为什么只使用一部分。
我问的是除算法之外的测试和其他统计数据。
如果您正在研究 A/B 测试之类的东西，您很可能会在数据科学中看到统计假设检验，您的目标是确定两个样本之间是否存在可靠差异差异的大小。
Kaggle 竞赛特别是监督学习问题，而不是假设检验，这就是为什么你看不到人们使用 chi-squared 之类的东西的原因。 （这是有道理的：如果你有十个人对同一个数据集进行假设检验，他们应该都会得到几乎相同的答案，这将导致一场非常无趣的竞争。）
就个人而言，我认为熟悉统计假设检验和 machine-learning 技术是很好的，因为它们有不同的用途。希望有帮助！ :)
数据科学中的每个问题都需要不同的方法，因此通用统计数据可能不适用。可能会出现一些不需要统计的问题