1、置信区间一般怎么算
置信区间是在统计学中用来估计总体参数的范围。一般来说，置信区间的计算依赖于样本数据的分布和样本量。以下是一种常用的计算置信区间的方法：
1. 首先确定置信水平（confidence level），通常为95%或99%。置信水平表示我们对于参数估计的置信程度。
2. 根据样本数据的分布情况选择相应的统计分布。对于大样本（样本量大于30）可以使用正态分布，对于小样本（样本量小于30）可以使用t分布。
3. 计算样本的均值（mean）和标准差（standard deviation）。
4. 根据选择的统计分布和置信水平，查找对应的临界值（critical value）。正态分布的临界值可以在标准正态分布表中查找，t分布的临界值可以在t分布表中查找。
5. 使用以下公式计算置信区间：
置信区间 = 样本均值 ± 临界值 * 标准误差
其中，标准误差 = 标准差 / √(样本量)
通过以上步骤，我们可以得到一个置信区间，该区间给出了总体参数估计的范围。置信区间的意义是，在重复抽样的情况下，有特定置信水平的置信区间将包含真实总体参数的比例。
请注意，以上是一种常用的方法，具体的计算方法可能会因问题的不同而有所差异。在特定的统计分析软件或编程环境中也提供了相应的函数或命令来计算置信区间。
2、Fα怎么算
Fα 是指给定显著性水平下的 F 分布的临界值。在统计学中，通常会选择一定的显著性水平来进行假设检验，常见的显著性水平有 0.05（95% 置信水平）和 0.01（99% 置信水平）。Fα 值表示在给定显著性水平下，F 分布的临界值，也可以理解为显著性水平对应的拒绝域的边界值。
计算 Fα 的具体方法因统计软件和参考表的不同而有所差异。一种常用的方法是使用统计软件（如 R、Python 的 SciPy、SPSS 等）中的相应函数或命令来计算 F 分布临界值。这些函数通常需要提供显著性水平和分子自由度和分母自由度作为输入。
举例说明，在 Python 的 SciPy 中，可以使用 `scipy.stats.f.ppf()` 函数来计算 F 分布的临界值。以下代码片段演示了如何计算显著性水平为 0.05 下的 Fα 值：
import scipy.stats as stats alpha = 0.05 dfn = 2 # 分子自由度 dfd = 7 # 分母自由度 F_alpha = stats.f.ppf(1 - alpha, dfn, dfd)
在上述代码中，`stats.f.ppf()` 函数用于计算 F 分布的累积分布函数的逆函数，即给定显著性水平、分子自由度和分母自由度，返回对应的 F 分布的临界值。
请注意，在实际应用中，也可以使用统计软件中的 F 分布表来查找 Fα 值。这些表中给出了常见显著性水平下的 F 分布的临界值，只需找到相应的行（分子自由度）和列（分母自由度）即可确定 Fα 值。
3、三个基本的函数
- 损失函数(Loss Function)度量单样本预测的错误程度，损失函数值越小，模型就越好。常用的损失函数包括：0-1损失函数、平方损失函数、绝对损失函数、对数损失函数等。
- 代价函数(Cost Function)度量全部样本集的平均误差。常用的代价函数包括均方误差、均方根误差、平均绝对误差等。
- 目标函数(Objective Function)代价函数加正则化项，最终要优化的函数。
4、数据归一化/标准化
为什么要标准化/归一化？
提升模型精度：不同维度之间的特征在数值上有一定比较性，可以大大提高分类器的准确性。
加速模型收敛：最优解的寻优过程明显会变得平缓，更容易正确的收敛到最优解。
归一化（最大 - 最小规范化）
x^∗=x−x_min/x_max−x_min
将数据映射到[0,1]区间
数据归一化的目的是使得各特征对目标变量的影响一致，会将特征数据进行伸缩变化，所以数据归一化是会改变特征数据分布的
Z-Score标准化
x^∗=x−μ/σ
处理后的数据均值为0，方差为1
数据标准化为了不同特征之间具备可比性，经过标准化变换之后的特征数据分布没有发生改变。
就是当数据特征取值范围或单位差异较大时，最好是做一下标准化处理。
需要做数据归一化/标准化 ：线性模型，如基于距离度量的模型包括KNN(K近邻)、K-means聚类、感知机和SVM。另外，线性回归类的几个模型一般情况下也是需要做数据归一化/标准化处理的。
不需要做数据归一化/标准化 ：决策树、基于决策树的Boosting和Bagging等集成学习模型对于特征取值大小并不敏感，如随机森林、XGBoost、LightGBM等树模型，以及朴素贝叶斯，以上这些模型一般不需要做数据归一化/标准化处理。
