尝试创建基于事务的机器学习模型是行不通的，除非你希望对某一项事务进行预测。数据科学家工作时通常需要基于数据分析。那么，究竟应该如何基于数据分析呢?它又如何区别于基于事务?

学习如何应用不同的数据科学家需要掌握的关键技能又是什么?

简而言之：关键在于知道如何根据数据创建分析视图。

交易数据库-那些存储交易数据的数据库，如订单、付款、访问日志等-是为存储应用程序交易数据而定制的，对数据科学没有直接帮助。构建这些数据库的开发人员却不这么认为，也许不应该考虑如何使用这些数据进行分析。他们只是简单地创建了数据模型，以提高应用程序的性能。

尝试创建基于事务的机器学习模型是行不通的，除非你希望对某一项事务进行预测。数据科学家工作时通常需要基于数据分析。那么，究竟应该如何基于数据分析呢?它又如何区别于基于事务?

分析数据库究竟是什么?

分析数据库是为了某项特定的研究而设计的。基于客户流失的预测与基于购物车中的产品推荐不同。然而，两者的数据源可能是相同的：事务性数据库。客户流失预测必须对每个客户的行为数据进行分组，因此可以随着时间的推移观察客户的行为。至于产品推荐，数据必须按会话分组，以预测哪些项目与购物车关联。

免责声明：本网站部 分文章和信息来源于互联网，本网转载出于传递更多信息和学习之目的，并不意味着赞同其观点或证实其内容的真实性。如转载稿涉及版权等问题，请立即联系管理 员，我们会予以更改或删除相关文章，保证您的权利。对使用本网站信息和服务所引起的后果，本网站不作任何承诺。