模型验证 大数据,cmip6是模型还是数据

business 1。商业是核心，数据为王。了解整个产业链的结构，制定好业务发展计划，了解要衡量的核心指标。数据只有和业务结合起来，才有效果。需要了解业务的整体情况，摸清产业链的整体结构，对行业的上下游运营有个大概的了解。然后根据业务目前的需求，指定发展规划，从而对需要整理的数据进行归类。最后一步是做一个数据核心指标(KPI)的详细列表，详细拆解几个核心指标，当然也要结合你的业务属性进行处理，找出那些对指标影响较大的因素。

2.思考指标现状，寻找多维度规律，熟悉产品框架，全面定义各项指标的运营状态，与同行业指标对比，发掘隐藏的提升空间，拆解关键指标，合理设置运营方式观察效果，与核心用户竞争，单独分析产品调研和需求挖掘的业务多为定性，需要培养客观感。定性分析需要技术、工具和机器的帮助。感觉的培养，因为每个人的思维和感知不一样，只能控制大方向，很多数据元素之间的关系还是需要通过数据可视化技术来实现。

Da 数据平台计算模型与传统计算模型有一些相似和不同之处。以下是它们的主要异同点:1。规模差异:大数据平台处理数据规模通常远大于传统计算模型。大的数据平台可以处理海量的数据，比如十亿、万亿甚至更多数据。但是，传统计算模型无法有效处理如此大规模的数据。2.处理速度:由于大型数据平台需要处理大量数据，因此要求更高的处理速度。

传统计算模型要求处理速度相对较低。3.数据类型:大型数据平台通常要处理各种类型的数据，包括结构化数据、半结构化数据和非结构化/12。而传统计算模型更倾向于处理结构性的数据，比如关系型数据库中的表数据。4.数据质量:大数据平台下的计算模型通常需要考虑质量问题。由于数据的数量具有不确定性和多样性，因此数据的质量可能会受到噪声、缺失值和异常值的影响。

目前贷款的风险控制是因为每一个样本都需要通过放款来采集。考虑到每个人可以放一万块钱，一个亿只能放一万个人，所以样本量不会太大。所以所谓大数据风险控制主要在于特色数据。很多时候会用到很多传统上不用的功能。比如传统风控比较怕漏值，特性不稳定，这些都是大数据风控需要解决的。说到模型，由于特征多，样本少，所以需要一个非常抗过拟合的模型。