# 11~15 预测分析

本章主要讲数据分析中的第三步预测分析，用预测性分析而不是机器学习感觉更符合数据分析的过程。同时涉及最后一步最优决策中的一部分，即模型评估和选择。

# 课时安排

许多课程在机器学习方面安排了非常多的课时，考虑到我们之后还会有机器学习相关的课程，并且统计分析要用很多节课，所以本章计划了5节课，其中有两节还是为以往统计分析课中的回归分析准备的。

NLP基础、分类和模型选择和评估则各占一节课。

# NLP基础

本节简要介绍 NLP 的一些基础知识。

# 知识点

# 实践点

1. Python 中英文 NLP 库
2. Python 实现词袋模型和 TF-IDF
3. NLP 各种技术（如 语言处理基础技术）

# 回归分析

回归分析是每个数据科学课程都会讲的内容。

# 知识点

# 实践点

1. Python 线性回归分析（从一元到多元，如 Data Science Simplified Part 4~5）
2. Python 非线性回归分析（如 Robust nonlinear regression in scipy）

# 分类

分类也是都会讲的内容，有些预测性分析最后是形成分类。

# 知识点

# 实践点

1. 逻辑回归手写识别
2. 朴素贝叶斯文本分类

# 模型评估和选择

模型评估和选择也是每个数据科学课程都会讲的内容，毕竟做数据分析最终都是要形成数据科学产品或是产生分析报告。自然要对模型进行评估，并选择优秀的模型。

# 知识点

# 实践点

1. Python 模型评估（如 机器学习-浅谈模型评估的方法和指标）
2. Python 交叉验证
3. Python 模型选择（如 简明数据科学 第六部分：模型选择方法）