JMP BIG DATA ANALYSIS

定类变量的例子有性别（男，女），血型（A，B，AB，O），国籍（中国，美国，日本，等等）

适合distribution

值可以做t test 和ANOVA

定序变量的例子有教育程度（小学，初中，高中，大学，研究生，等等），疗效（痊愈，显效，有效，无效），满意度（非常满意，满意，一般，不满意，非常不满意）

适合correlation

continous变量是指可以在某个范围内取任何值的变量。

身高、体重和温度，大小，时间

interval（定距）变量

ratio（定比）变量

T检验的使用场景主要有以下几种：

单样本t检验（one-sample t-test）：用于比较一个样本的平均值和一个已知的总体平均值是否有显著差异，例如比较脂肪肝患者的尿素氮值是否高于健康人群。
双样本t检验（two-sample t-test）：用于比较两个独立样本的平均值是否有显著差异，例如比较男女学生的数学成绩是否有显著差异。
配对t检验（paired t-test）：用于比较两个相关样本的平均值是否有显著差异，例如比较同一组学生在考前和考后的心理压力是否有显著差异。
方差分析（ANOVA）：用于比较三个或以上的独立样本的平均值是否有显著差异，例如比较不同品牌的汽车的油耗是否有显著差异。方差分析可以看作是一种推广的t检验，它的原理是将总方差分解为组内方差和组间方差，然后计算F统计量和p值，判断组间方差是否显著大于组内方差。

在undirecational里我们是希望看到的是数据的差异

这三个概念在统计学中都很重要，它们可以相互补充，也可以相互制约。一般来说，数据的variation越大，prediction和explanation的难度就越大。prediction和explanation之间也有一定的平衡，有些方法可以提高prediction的效果，但降低explanation的效果，反之亦然。统计学的目标是在保证数据的variation、prediction和explanation之间的平衡的前提下，提取数据中的有用信息，帮助我们更好地理解和控制现实问题。

RSq（决定系数）是一个衡量回归模型拟合优度的指标，它表示自变量能够解释因变量变化的程度。RSq的值越接近1，说明回归模型越能够捕捉到数据的变化，残差平方和越小。RSq的值越接近0，说明回归模型越不能反映数据的变化，残差平方和越大。

因此，RSq解释程度低代表回归模型的拟合效果不好，自变量对因变量的影响不显著，可能需要增加或减少自变量，或者选择其他的回归方法。

（XX数字%） variation in 因变量 is captured by this model

数字大于4即为高度重复，要删除，如果不删除，我们解释的时候其实在讲多遍相同的自变量和因变量关系

over fiting

under fiting

binary在统计学里是什么意思呢？它是一种用于表示只有两种可能值的变量的术语，例如0和1，是和否，成功和失败等

missclassification rate是一个机器学习中的指标，用来表示分类模型预测错误的观测值的百分比。
（不需要记住，但可以看一下，理解内在逻辑）它的计算公式是：

missclassification rate = 错误预测的数量 / 总预测的数量

举个例子，假设你有一个模型，用来预测篮球运动员是否会得分，你有100个观测值，其中有80个是正类（得分），20个是负类（不得分）。你的模型预测了其中的40个正类，10个负类，但是有15个正类和10个负类预测错误了。那么你的模型的missclassification rate就是：

missclassification rate = (15 + 10) / 50 = 0.52

这意味着你的模型预测错误了50%的观测值。missclassification rate的反面是准确率（accuracy），它表示模型预测正确的观测值的百分比。

准确率 = 1 - missclassification rate

准确率 = 1 - 0.5 = 0.52

这意味着你的模型预测正确了50%的观测值。

missclassification rate是一个简单的指标，但是它有一个缺点，就是它不能区分正类和负类的预测错误，也不能反映数据集的不平衡性（当正类或负类的比例非常高或非常低时）。3在这种情况下，missclassification rate可能会给出一个误导性的评估。

聚类分析是一种把数据对象 (观测)划分成多个组或簇的过程，使得簇内对象具有很高的相似性，但簇与簇之间的对象不相似

在analysis里面就可以看到哪个区间占用的最大了，所以在这里，主要是分析具体区间内容的差别

只做了Behaviour ，如果是考试里，我们基本就是做demograpics，解释一下distribution，这些数据体现了什么，可以根据数据说我们更应该关注于什么客户

needs attitude behaviour

我看到数据之间联系强烈，所以选择factory analysis

impact effect explainnation predicition  segementaion，drive 

drive impact explaintiomn

forcost prediction

any groupt catergaiorus segementation

预测，划分

专注于一些Key words

problem  statement

要做也是根据你自己的假设做

第一个属于没有Missing的，框住第一个以外的所有的，Hide and Exclude

这样就排除了Missing Columns，来干扰我们的数据了

先做distribution，看看整体上这个图的分布情况

目的是为了找出correlation

然后再做fit y by x，看哪个变量有明显的区别 

我们可以做一个Graph Builder,因变量放在Y，我们挑选好的自变量，一个放在X一个放在overlay,放在x的部分是我们实际想要对overlay 部分自变量进行图像化对比的部分

做multivariate 看数据之间的相关性（correlation)

我们现在做的是regression

做fit model

然后做predicting,在这一步，我们不只是解释样本数据，同时对样本数据做出预测

cluster analysis

factor analysis

indication

significant

competencies

demographics

用于描述一个连续变量的分布特征当你想查看一个变量的最大值、最小值、均值、标准差、四分位数、直方图、箱线图等时可以做T TEST

用于探索一个连续变量和一个分类变量或两个连续变量之间关系的,

检验两个分类变量之间是否有关联性

想比较不同组的均值是否有显著差异

概念：添加本地数据过滤器就是在JMP报告中给你的图表或分析结果加一个筛选器，让你可以根据你感兴趣的变量值来看不同的结果，而不会影响其他的图表或分析结果。
例子：如果你有一个数据表包含了男生和女生的身高和体重，你想看一下男生和女生之间有没有身高体重的差异，你可以用拟合Y和X平台来画一个散点图矩阵，并添加一个本地数据过滤器，让你可以选择只看男生或只看女生的散点图矩阵，而不会改变数据表里的数据。