統計建模和機器學習建模，有什么區別？對于傳統的數據建模方法，如統計分析、回歸分析、機器學習等，都比較注重未知數據的建模，對數據量有一定的要求。統計建模是指基于統計知識的建模。常用的統計知識包括參數估計

統計建模和機器學習建模，有什么區別？

對于傳統的數據建模方法，如統計分析、回歸分析、機器學習等，都比較注重未知數據的建模，對數據量有一定的要求。

統計建模是指基于統計知識的建模。常用的統計知識包括參數估計、假設檢驗、方差分析、回歸分析、時間序列、聚類分析、主成分分析和因子分析，如下圖所示。

機器學習建模是指利用機器學習算法進行建模。常用的機器學習算法有：k近鄰算法、決策樹、邏輯回歸、SVM、隨機林、聚類分析、關聯分析等，實現這些算法的語言有Python和r，具體如下圖所示。！不管是統計建模還是機器學習建模，我們都需要有一個好的數學基礎，主要是微積分、線性代數和概率論。

就是這樣！歡迎關注[數據科學孫斌]，分享數據科學相關知識

數據倉庫數據建模的幾種思路？

說到建模，我們不得不說有兩個好人，一個是數據倉庫之父——inmon，他提倡ER模型，另一個是Kimball，他提倡維度模型。事實上，這兩種建模方法各有優勢。ER模型是一種實體關系模型，對建模者要求高，實現周期長。施工完成后，數據之間的關系清晰，沒有冗余。它在保證數據的一致性和準確性方面有著天然的優勢，但不能應對后期的業務變化。維度模型將業務數據分為維度表和事實表。維度表主要用于存儲一些不隨業務發展而變化的公共數據，如員工信息、合同信息等事實表。用于存儲維度表的一些鍵值和度量值，如員工ID、交易金額等。維度建模不需要建模者了解全局數據，只需要了解相關數據，在面對業務變化時具有天然的優勢。另外，還有Inman在ER模型上改進的datavault模型，但是datavault不能簡單地稱為一個模型，它是一個整體的解決方案。

統計建模與數學建模的區別？

事實上，大多數統計建模都是為了分析數據，統計知識也會用到。但是，數學建模的范圍很廣，遇到的問題也不盡相同，解決的方法也不盡相同，統計知識可能不會用到，遇到的問題也多種多樣。