朴素贝叶斯分类和预测算法的原理及实现

决策树和朴素贝叶斯是最常用的两种分类算法,本篇文章介绍朴素贝叶斯算法。贝叶斯定理是以英国数学家贝叶斯命名,用来 […]

决策树分类和预测算法的原理及实现

决策树是一种通过对历史数据进行测算实现对新数据进行分类和预测的算法。简单来说决策树算法就是通过对已有明确结果的 […]

协同过滤推荐算法的原理及实现

协同过滤推荐算法是诞生最早,并且较为著名的推荐算法。主要的功能是预测和推荐。算法通过对用户历史行为数据的挖掘发 […]

网站指标差异显著性检验——卡方检验

三个网站分析中常见的场景:A,B两版广告创意,A版本转化率4.94%,B版本转化率5.75%,是否说明B版本比 […]

跳出率差异显著性检验

跳出率的显著性检验是指特定渠道跳出率与已知的网站跳出率之间有无差异,也就是说,特定渠道跳出率是否在网站跳出率分 […]

广告访问量平均数差异的显著性检验

日常分析工作中经常会进行对比分析,其中比较常见的场景就是对两组广告带来的访问量效果进行对比。当两组访问量数据相 […]

浅析网站流量趋势预测

春节长假后的第一篇文章讨论如何对网站流量进行分析及预测。我们采取自下而上的方法,通过对不同类别的流量进行单独的 […]

粗糙的SEM点击率分析模型

2016年的第一篇文章我们关注SEM的点击率。什么样的点击率对于一个SEM来说是合格的?或者说怎样判断你的SE […]

用户在网站分析过程中的作用思考(1)

各位亲爱的读者,本博客在经历了半年的休整后正式开始恢复更新,我们删除了很多插件来提高文章页面的打开速度,同时对 […]

GIGO原则:输入的是垃圾,输出的也是垃圾

亲爱的网站分析师们,你在工作中最大的烦恼是什么?对于我来说,最大的烦恼莫过于无法通过数据解决问题,获得洞察。为什么会出现这种情况呢?原因不在于网站分析方法本身,而在于我们手中的数据。更准确的说是获取这些数据的过程。网站分析中有一个非常重要的原则,GIGO原则 (Garbage In Garbage Out)。如果你在获取数据前没有经过缜密的思考,那么在分析数据时就只能碰运气了。