汽车行业一直是个比较特殊的存在，品牌营销媒体有专门的汽车组，也有一众广告公司专门以服务汽车客户为生。这既说明汽车营销的与众不同，同时也说明了这个行业的封闭和保守。2020-2021年，直播、短视频、综艺冠名、饭圈代言……车企营销看似一直求新求变，但我认为很多是乱动，并没有找到关键的发力点。01新的品牌营销变化是什么？新升级：消费平权时代的到来这两年，我们常常惊呼“特斯拉又降价了”！但其实，特斯拉最初做的是高端汽车行业市场。当年电动车的制造成本很大、而且大众市场还没有接受这个新兴物种。而高端车可以卖更高的价格、也不用大规模量产，最关键的是：先杀入高端市场，可以有效抬高特斯拉的品牌价值。2006年
最近上了些机器学习的课程，于是想透过Kaggle资料集来练习整个资料科学专案的流程，在模型训练阶段，虽然听过许多分类模型，但不是很了解其各别的优缺点与适合的使用时机，所以想来整理一篇文章，统整上课学习与网路资料，作为后续专案的优化方向！首先，机器学习主要分为「监督式学习」与「非监督式学习」，两者的差异在于资料是否有「标签」。监督式学习(SupervisedLearning)：给予「有标签」的资料，举例来说：给机器一堆苹果和橘子的照片，并说明哪些是苹果、哪些是橘子，再拿一张新的照片询问机器这是苹果还是橘子，而监督式学习又可分为回归(Regression)和分类(Classification)。非
💂个人信息：酷在前行👍版权:博文由【酷在前行】原创、需要转载请联系博主👀如果博文对您有帮助，欢迎点赞、关注、收藏+订阅专栏🔖本文收录于【R模型】，该专栏主要介绍R语言各类型机器学习，如线性回归模型、广义线性模型、混合线性模型、随机森林模型、支持向量机模型、决策树模型等。请大家多多关注点赞和支持，共同进步~欢迎大家订阅！📋文章目录🐣一、二项逻辑回归的介绍🐤二、二项逻辑回归的R语言实例 🍎1.数据读取及探索 🍎2.构建逻辑回归模型 🍎3.对数优势比（odds）的概念 🍎4.解释优势比及模型结果 🍎5.优势比与概率 🍎6.多元二项逻辑回归模型的介绍 🍎7.多元二项逻辑回归模型解释 🍎8.拟合优度（R
简介多元线性回归方程是一个主要用来探讨一个因变量（Ｙ）与多个自变量（X1，X2…Xn）之间函数线性关系的方法。其表达式为：应用条件：原则上要求因变量是连续型变量，其预测值与实际观测值的差值（模型中的e）服从正态分布，并且在不同的X取值上方差相同，另外，要求因变量的观测值相互独立（如年龄、饮酒年限、高血压与年龄的关系就不独立），不独立会导致多重共线性，影响参数估计。1.自变量与因变量之间具有线性关系2.各例观测值Yi（i=1，2,…n）相互独立3.残差e服从均数为0，方差为σ^2的正态分布，它等价于任意一组自变量X1，X2…Xm的值，因变量Y具有相同方差，并且服从正态分布。过程打开spss，导入
R语言|12.森林图-1:多因素Cox回归模型森林图(基于forestplot包)本期开始介绍Cox回归模型可视化。之前学习过的的临床回归模型可视化方法主要是森林图和列线图(Nomogram)。计划是介绍一下单因素、多因素、亚组分析、其他类型森林图绘制；列线图部分介绍下基本的变量筛选方法、绘制过程、验证方法（ROC/DCA/校准图/分组比较等）、网页版列线图。本期介绍forestplot包绘制多因素Cox回归模型森林图。此外，本期在提取Cox回归等结果信息用到了之前介绍过的R语言|7.快速制作多因素Cox回归三线表 和R语言|4.轻松绘制临床基线表Table1，需要的小伙伴点击链接阅读。先看效
R语言|12.森林图-1:多因素Cox回归模型森林图(基于forestplot包)本期开始介绍Cox回归模型可视化。之前学习过的的临床回归模型可视化方法主要是森林图和列线图(Nomogram)。计划是介绍一下单因素、多因素、亚组分析、其他类型森林图绘制；列线图部分介绍下基本的变量筛选方法、绘制过程、验证方法（ROC/DCA/校准图/分组比较等）、网页版列线图。本期介绍forestplot包绘制多因素Cox回归模型森林图。此外，本期在提取Cox回归等结果信息用到了之前介绍过的R语言|7.快速制作多因素Cox回归三线表 和R语言|4.轻松绘制临床基线表Table1，需要的小伙伴点击链接阅读。先看效
入门小菜鸟，希望像做笔记记录自己学的东西，也希望能帮助到同样入门的人，更希望大佬们帮忙纠错啦~侵权立删。目录一、逻辑回归简介与用途二、逻辑回归的理论推导1、问题描述和转化2、初步思路：找一个线性模型来由X预测Y3、Sigmoid函数（逻辑函数）4、刚刚的线性模型与Sigmoid函数合体5、条件概率6、极大似然估计7、求最小值时的w的两种方法——补充说明三、多类逻辑回归四、正则化1、L1正则化2、L2正则化五、逻辑回归python实现1、库函数LogisticRegression中的常用参数的介绍2、实际应用 六、逻辑回归的优缺点1、优点2、缺点一、逻辑回归简介与用途逻辑回归是线性分类器（线性模
数据库技术是信息科技领域的最为重要的技术之一。随着科技的不断进步，数据库技术得到了迅速的发展，应用范围也越来越广泛。与此同时，在数据量持续高速增长的情况下，企业对数据库也提出了更高的要求，例如数据存储越来越多，对数据库的性能要求越来越高；企业在数据迁移过程中，对数据库的兼容性、安全合规性提出了新要求；应用场景多样化也需要数据库有更强的适应能力等。而目前大火的分布式数据库，虽说可以实现对单个系统的总容量提升，但不能解决投入成本与业务容量收益的比例，即单位事务给客户带来的利润（事务利润）。如何继续提升数据库的性能？回归数据库的技术本原，数据库的单机性能重回聚光灯下。正如本原数据技术合伙人张程伟所说
如果你使用Python处理数据，你可能听说过statsmodel库。Statsmodels是一个Python模块，它提供各种统计模型和函数来探索、分析和可视化数据。该库广泛用于学术研究、金融和数据科学。在本文中，我们将介绍statsmodel库的基础知识、如何使用它以及它的好处。什么是Statsmodel库？Statsmodels是一个Python模块，它提供各种统计模型和函数来探索、分析和可视化数据。它是一个构建在NumPy、SciPy和Pandas库之上的开源库。它广泛应用于学术研究、金融和数据科学。Statsmodels有很多特性，包括：线性回归模型广义线性模型时间序列分析多元统计非参数
1.案例背景与分析策略1.1案例背景介绍某研究收集到美国50个州关于犯罪率的一组数据，包括人口、面积、收入、文盲率、高中毕业率、霜冻天数、犯罪率共7个指标，现在我们想考察一下州犯罪率和哪些指标有关。数据上传SPSSAU后，在“我的数据”中查看浏览原始数据，前5行数据如下：图1“我的数据”查看浏览数据集1.2明确目的与分析策略从数据分析的目的上，我们想了解犯罪率是否受到人口、面积、收入、文盲率、高中毕业率、霜冻天数6个方面的影响。影响因素分析，可以考虑回归分析、方差分析等统计方法，考虑到目标变量即因变量犯罪率为连续型数据，其他6个指标也为连续型变量，因此考虑尝试拟合多重线性回归模型，用以研究犯罪
