1 描述统计
不同概率分布就是不同随机现象规律性的数学描述。
统计学最常用的四大概率分布：正太分布，t分布， 卡方分布，F分布。
数据分布形状的统计量： 偏度（skewness, 是否对称）， 峰度（Kurtosis,以标准正太分布为基准）
多个统计参数分析- rstatix::get_summary_stats(), dlookr::desicribe()
列联表- janitor包提供的tabyl(), 结合adorn_*() 函数
2 参数估计
多次抽样得到多个样本平均值和标准差，多个样本平均值的标准差就是这个结果的标准误。
但是如果不能多次抽样，就需要等到一个尽可能大的样本来计算标准误： SE = SD / sqrt(n).
估计的参数需要使用： 参数估计值 ± 估计误差 （n=） 。
Bootstrap 重抽样法： infer包可以很好计算置信区间。
2.1 最小二乘法（OLS）: 让总的预测误差最小， 线性是lm(), 非线性是nls(), 若不行，则使用glsnls包。
2.2 最大似然估计（MLE）： 是频率派常使用的方法。先推导出对数似然函数，再做最大优化即可。另一派是贝叶斯
3 假设检验
image.png
image.png
rstatix包
image.png
image.png
4 回归分析
线性回归诊断
image.png
参数：
计算𝑅2, 也称为可决系数，反映了自变量所能解释的方差占总方差的百分比。
image.png
image.png
image.png
image.png
多种公式表达方式
image.png
广义线性模型
image.png
5 数据清洗
主要包括： 缺失值处理，数据去重，异常值处理，逻辑错误检测，数据均衡检测，处理不一致数据，相关性分析（剔除与问题不相关的冗余变量）、数据变换（标准/归一化，线性化，正态化等）。
缺失值：首先替换为NA：
replace_with_na(data, replace=list(x=-999)) # naniar包
vis_miss()##可视化整个数据框
image.png
image.png
单重插补： imput_<模型>（data, formula, [模型设定选项]）
image.png
多重插补:插补多次： ## mice（非常好）
image.png
image.png
异常值 ： rstatix包mahalanobis_distance()
image.png
6 特征工程与探索变量之间的关系
image.png
特征放缩： 标准化（变为均值为0，标准差为1）， 归一化（放缩所有的值到0-1）， 行规范化（1个样本所有的特征都在单位球面上，L2 范数）
特征变化：
image.png
正态性变化：
image.png
特征降维（PCA）：
image.png
连续变量之间的相关性（GGally包）：
image.png
image.png
image.png
