当您开始机器学习（ML）项目时，需要记住的一个关键原则是数据就是一切。人们常说，如果ML是火箭发动机，那么燃料就是提供给ML算法的（高质量）数据。然而，从一堆数据中得出真相和见解可能是一项复杂且容易出错的工作。为了让您的ML项目有一个坚实的开端，它总是有助于提前分析数据，这种做法通过统计和可视化技术来描述数据，263云通信企业版，以便将数据的重要方面集中起来进行进一步分析。在这个过程中，游戏返利，重要的是深入了解：这个过程为后续的特征选择和工程步骤打下基础，为建立良好的ML模型提供了坚实的基础。因此，用云服务器，很难知道要进行什么样的分析以及如何正确地进行分析。为了整合关于在ML项目中执行适当EDA、数据清理和特性选择的建议，云服务器平台，我们将从直观（可视化）和严格（统计）的角度总结并提供简明的指导。根据分析结果，可以确定相应的特征选择和工程建议。您还可以在本白皮书中获得更全面的说明。

您还可以查看我们开发的自动数据探索和功能建议工具，以帮助您自动执行建议的分析，而不考虑数据的规模，然后生成一份组织良好的报告来呈现结果。

EDA，功能选择，特性工程通常是紧密联系在一起的，是ML过程中的重要步骤。由于目前存在的数据和业务问题的复杂性（如金融业的信用评分和零售业的需求预测），适当的EDA结果如何影响您的后续决策是一个大问题。在这篇文章中，我们将引导您完成一些关于特定项目数据的决策，并选择要使用的分析类型，以及可视化、工具和特征处理。

让我们开始探索您可以选择的分析类型。

通过这种类型的分析，数据探索可以从三个不同的角度进行：描述性，淘客论坛，相关性和上下文。每种类型都引入了关于数据属性和预测能力的补充信息，帮助您根据分析结果做出明智的决策。

1。描述性分析（单变量分析）

描述性分析或单变量分析提供了对数据集每个属性特征的理解。为后期的特征预处理和选择提供了重要依据。下表列出了对常见属性、数字属性、分类属性和文本属性的建议分析。