酷应用

在数据科学中需要多少数学技能？（附链接）

百家作者：数据分析 2020-09-17 10:03:09

作者：Benjamin Obi Tayo 翻译：刘思婧校对：车前子

本文约1600字，建议阅读5分钟

本文为大家介绍了在数据科学和机器学习中所需要的基本数学技能，并且分类给出了相应的主题建议。

Jeswin Thomas on Unsplash

尽管已经有许多出色的计算工具可供数据科学家执行其工作，数学技能在数据科学和机器学习中仍然是必不可少的，因为这些工具通常仅仅会像是“黑匣子”，而如果没有理论基础，您将无法回答核心的分析性问题。

I．引言

如果您渴望成为数据科学家，那么您无疑会想到以下问题：

我几乎没有数学背景，可以成为一个数据科学家吗？
数据科学中的哪些基本数学技能很重要？

有许多好的软件包可用于构建预测模型或数据可视化。一些最常见的用于描述性和预测性分析的软件包包括：

Ggplot2
Matplotlib
Seaborn
Scikit-learn
Caret
TensorFlow
PyTorch
Keras

借助这些软件包，任何人都可以构建模型或进行数据可视化。但是，扎实的数学背景知识对于模型微调（fine-tuning）以生成具有最佳性能的可靠模型至关重要。建立模型是一回事，但解释模型并得出可用于数据驱动决策的有意义的结论，是另一回事。重要的是，在使用这些软件包之前，您必须了解每个软件包的数学基础，这样才能避免将这些软件包仅仅用作“黑匣子”工具。

II．案例：建立多元回归模型

假设我们现在将要建立一个多元回归模型。在此之前，我们需要问自己以下问题：

我的数据集有多大？
我的特征变量和目标变量是什么？
哪些预测特征与目标变量最相关？
哪些特征很重要？
我应该进行特征缩放吗？
我的数据集应如何划分为训练集和测试集？
什么是主成分分析（PCA）？
我应该使用PCA删除冗余特征吗？
如何评估我的模型？我应该使用R2_score，平均平方误差（MSE）还是平均绝对误差（MAE）？
如何提高模型的预测能力？
我应该使用正则化回归模型吗？
哪些是回归系数？
哪些是截距？
我应该使用非参数回归模型，例如K近邻回归还是支持向量回归（SVR）？
我的模型中有哪些超参数，如何对其进行微调以获得性能最佳的模型？

没有良好的数学背景，您将无法解决上面提出的问题。最重要的是，在数据科学和机器学习中，数学技能与编程技能同等重要。因此，想成为数据科学家，您必须花时间研究数据科学和机器学习的理论和数学基础。您能否构建可应用于实际问题的可靠且有效的模型，取决于您的数学技能。要了解如何在构建机器学习回归模型中应用数学技能，可参阅机器学习过程教程。

教程

https://medium.com/swlh/machine-learning-process-tutorial-222327f53efb

现在，让我们讨论数据科学和机器学习所需的一些基本数学技能。