1、如何选择聚类算法？
P165，
100万条内选K聚类数据量大时间久，数据高维选择降维、子空间聚类（谱聚类），Mini Batch KMeans,分类准确选谱聚类。
2、聚类和分类的区别？
P185
有无监督、探索还是预测应用、与因果解读不一样（男女半男女）。
3、如何选择分类算法？
防止决策树过拟合，SVM的L2正则最小，随机森林、adaboost等
准确性高-向量机、随机森林、神经网络
可解释性-决策树
4、如何选择回归？
P174
多重共线性-岭回归
噪音多-主成分回归
高维度-正则化回归（逻辑回归）
交叉验证
解释性-线性、指数、对数、二项式、多项式比向量回归好
组合，加权、均值
5、什么情况下不能用回归分析？
是否有了新因变量，自变量在范围内
6、回归分析的判断指标？
回归系数X，判定系数R2(因果关系），相关性系数R
7、为什么要用时间序列？
时间中的隐形规律
8、什么情况下不适用时间序列预测？
不适合商业环境复杂的企业，数据的平稳性、白噪声检验
9、数据分析的流程是什么？
大流程、小流程、循环流程、迭代流程
10、如何处理异常值、重复值、空值？
P77，
1丢弃不超过10%，
2补全统计法模型法专家法随机法，
3真值转换法，
4不处理。不要轻易抛弃异常数据。
统计（分布）、距离K均值、密度LOF、偏移、时间序列。
离群点和新奇点检测
11、降维算法有哪些？
主成分分析PCA、因子分析FA、线性判别分析LDA、独立成分分析ICA、局部线性嵌入LIE、核主成分析KernelPCA
12、大数据还有必要抽样和降维吗？
受限于算力，在算力不足情况下要，高维度降到线性。抓重点，可解释性。
数据的抽样、数据的降维（X太多）（专家法、相关性法、准确性法、机器学习权重）
13、数据分布不均衡的影响？
机器学习样本不够，学习有偏差。10倍要警惕、20倍要处理。
过抽样（容易过拟合）、欠抽样（容易数据信息丢失）
14、如何检查异常检测？
统计（分布）、距离K均值、密度LOF、偏移、时间序列，离群点和新奇点检测
15、如何验证关联分析？
支持度、置信度、提升度
16、如何避免数据源冲突？
P106
