Author Archive

友情推广:TreeMind树图思维导图

说明:以下内容并非原创,由开发者提供,纯免费帮忙,不为产品背书。

据调查显示,使用思维导图的产品经理更有可能在职场上脱颖而出,成功率高达80%!

在这个信息爆炸的时代,如何高效地组织、整理、挖掘和应用知识,成为每一位产品经理所面临的挑战。

面对这一挑战,思维导图成为了大厂经理们高薪的秘密武器。

而TreeMind树图就是思维导图中的加速器,搭载媲美GPT的人工智能大模型,AI一句话即可生成逻辑清晰、层级分明的思维导图,让产品经理的工作更轻松。

一、产品简介

作为首批“AIGC+思维导图”平台,TreeMind树图一句话即可生成详实的思维导图,开启了AI生成思维导图新时代,能够快速提升你的学习和工作效率。还有上百万的模板,满足各行各业、不同细分领域需求,是真正思维导图届的“百科全书”。

戳这里体验:https://shutu.cn/?from=cpjldrgznxxk

二、9大核心功能

  • AI一句话生成思维导图
  • AI智能助手随时提问,生产力MAX
  • 百万模板随心挑选 1,132,200模板,每天都在上新
  • 丰富的素材类型 海量设计资源库
  • 跨平台文件同步 随时随地可查看
  • 团队空间 支持多人同时管理团队
  • 脱离PPT 直接在树图演示
  • 开放平台 接入更多外部应用
  • 分屏模式 一屏完成读写绘图

……

三、特色介绍

1、AI一句话生成思维导图

从未做过思维导图的小白不知从哪开始?不要慌!提出需求,结合当下最火的ChatGPT,树图AI直接帮你一键生成定制化思维导图,并且还支持随意修改,新用户注册就送2000字的AI字数体验!免费的羊毛,你还不薅?

AI思维导图智能库功能齐全强大,不管你是工作汇报还是提炼读书笔记,就算是当下最火的视频脚本解析,它都能帮你准确生成,大大提高你的生活和工作效率!并且智能库还会不断更新,不会面临重复或内容过时的局面。生成的思维导图不限节点增删,哪里需要改哪里!

自己做的思维导图没有灵感?你还能让AI参考你的思路继续扩写,拒绝灵感枯竭!让你站在巨人的肩膀开阔眼界,让你的思维和灵感立刻涌现。

2、应用场景广泛

无论是需求整理、产品规划、市场分析、或者是团队沟通,只要涉及到信息的整理和传递,TreeMind树图都能为您提供极大的帮助。

  • 需求整理:通过导图直观展示各个需求间的关系,帮助团队对产品的方向有更明确的认知。
  • 产品规划:将产品的生命周期、功能模块、用户体验等要点一览无余地展现出来,方便团队参考和实施。
  • 市场分析:结合AI技术,智能提取市场数据中的关键信息,生成直观的思维导图,助力产品经理迅速把握市场动态。
  • 团队沟通:在会议或日常工作中,利用TreeMind树图实时记录、整理关键点,确保沟通效果。TreeMind树图甚至还能让您脱离PPT,直接用思维导图进行演示。

3、 百万模版免费用

将近150万+导图模板,每天都在上新!包含多达829个精选专辑、共计123个模板品类、覆盖12种行业类型,帮你释放创意无限潜力!无论你要做什么类型的思维导图,在TreeMind树图模版库99%能找到!直接在大佬的思维导图上进行修改,帮你开阔思路,成为思维导图高手。

4.分屏视图,一屏读写

在绘制复杂思维导图时,参考大量资料是家常便饭,但频繁跳转窗口查看资料与编辑思维导图的传统方式实在低效。

一屏两用让你的读写模式so easy!一边阅读文件,一边制作思维导图,学习效果翻倍!资料上传支持3种导入方式:文件导入、粘贴导入、网址导入,支持PDF、Word、Txt三种文件格式,无需转换,直接参考!更棒的是,历史资料库自动备份,让你不再担心文件丢失!此外,我们还增加了窗口大小调节功能,随心调整界面,提供更舒适的学习环境!二者衔接,让你的导图绘制更加丝滑!

5、团队空间,多人协作

无论是特殊时期在家办公,还是多人协作完成一个方案/作业,都需要很方便地将自己的创作内容分享给同事,时不时也需要来一场多人头脑风暴,多人在线分工共同完成一个事情。传统的软件只能每人单独完成一份文件,最后将多人文件合并在一起,然后统一修改。

  • 传统思维导图:导图文件或图片只能通过微信、钉钉、邮件等分享,内容更新后需再次分享;无法跟同学、同事,多人同时完成一个思维导图的制作;
  • 新一代思维导图-TreeMind树图:多人同时编辑一个思维导图,可以在一张思维导图里头脑风暴、梳理思路。

6、云端跨平台化

目前市面上的大多数思维导图软件,都需要下载安装客户端才能使用,要么占用电脑磁盘空间,要么就是浪费手机内存,最重要的是偶尔也会碰到盗版软件和流氓软件。TreeMind树图是一款在线思维导图工具,打开浏览器访问网站即可快速创建思维导图,让自己的灵感快速穿梭在思维导图的一个个节点上,学习力和生产力拉满。

同时TreeMind树图实现了“实时保存,内容可多平台文件同步”,再也不用担心忘记保存、软件崩溃导致内容丢失,让自己专注于内容创作和灵感爆发,不受其他干扰~在浏览器,客户端,手机端都可以修改和浏览文件。

7、免费够用,会员超值

TreeMind树图的大部分权益都可以免费使用,对于刚接触思维导图的新手小白,TreeMind树图也提供了每日免费导出1次➕AI字数2000字的至尊体验;开通会员后更是可以解锁更多权益,成为思维导图届的大神!同事们一起拼团购买,还能享受到团队优惠价。

四、如何使用TreeMind树图?

1.想要AI一键生成:

打开网站在文字框内输入你的需求,AI就会自动生成一份相关的定制思维导图。

比如,我在这里输入:

让它以此帮我生成工作周报!只要输入主题,然后点击智能生成即可。结果如下图所示:

2.AI导图不满意,想要自己新建:

在工作台,选择你要创建的导图类型,就可以新建绘制你自己的导图啦!

比如:你想定制自己的工作周报,只要选择合适的导图框架就可以在节点上自由绘制,还可以在模版库现有的模版上免费修改。结果如下图所示:

五、限时优惠

惊天好消息!TreeMind树图目前也上线了终身会员,每天前20名购买的粉丝可以享受立减200元,终身VIP仅需早鸟价399元!倒计时5天!欲购从速!

看完后是不是被TreeMind树图出色的功能和贴心的服务惊艳到了,想要提高工作效率的产品经理们可以去试试,它的会员价格可以说是白菜价了。一个会员可以多个平台通用,非常划算,强烈安利大家入手

无需下载点击即用https://shutu.cn/?from=cpjldrgznxxk

分类特征

https://easyai.tech/wp-content/uploads/2022/08/39995-2021-03-30-typefeature.png

分类特征是重要的一类特征。分类特征是离散的,非连续的。

本文将针对小型分类和大型分类介绍5种主流的编码方式。以及各自的优缺点。

 

什么是分类(类别)特征?

分类特征是用来表示分类的,他不像数值类特征是连续的,分类特征是离散的。

比如:

  • 性别
  • 城市
  • 颜色
  • IP地址
  • 用户的账号ID

https://easyai.tech/wp-content/uploads/2022/08/d2797-2021-03-30-lisan.png

有些分类特征也是数值,比如账号ID,IP地址。但是这些数值并不是连续的。

连续的数字是数值类特征,离散的数字是分类特征。

关于连续和离散的解释可以看看这篇文章:《关于连续和离散的理解

小型分类特征的编码方式

https://easyai.tech/wp-content/uploads/2022/08/5345c-2021-03-30-small-data.png

自然数编码/序列编码-Ordinal Encoding

某些分类本来就有一定的排序,这种情况下就可以使用简单的自然数编码。

例如学位:

学士-0

硕士-1

博士-2

独热编码-One-Hot Encoding

对于城市、颜色、品牌、材质…这些特征就不适合用自然数编码,因为这些特征是没有排序关系的。

使用独热编码可以让不同的分类处在“平等的地位”,不会因为数值的大小而对分类造成影响。

例如颜色分类(假设只有3种颜色):

红色-100

黄色-010

蓝色-001

跟独热编码类似还有“虚拟编码-Dummy Encoding”和“效果编码-Effect Encoding”。

实现方式比较相似,不过有一些略微的差别,并且适用在不同的场景。

感兴趣的可以看看这篇文章:

虚拟变量和独热编码的区别

赋值方法:效应编码

大型分类特征的编码方式

https://easyai.tech/wp-content/uploads/2022/08/f340a-2021-03-30-big-data.png

目标编码-Target Encoding

目标编码是表示分类列的一种非常有效的方法,并且仅占用一个特征空间,也称为均值编码。该列中的每个值都被该类别的平均目标值替代。这可以更直接地表示分类变量和目标变量之间的关系。

目标编码的扩展阅读:《目标编码简介

散列编码-Hash encoding

散列函数也是大家常听到的哈希函数。散列函数是一个确定性函数,它映射一个潜在的无界整数到有限整数范围[1,m]。

假如有一个分类有1万个值,如果使用独热编码,编码会非常长。而使用了散列编码,不管分类有多少不同的值,都会转换成长度固定的编码。

分箱计数-Bin-Counting

分箱计数的思维有点复杂:他不是用分类变量的值作为特征,而是使用目标变量取这个值的条件概率。

换句话说,我们不对分类变量的值进行编码,而是要计算分类变量值与要预测的目标变量之间的相关统计量。

不同编码的优缺点总结

独热编码-One-Hot Encoding

优点:

  1. 容易实现
  2. 分类很精确
  3. 可用于在线学习

缺点:

  1. 计算效率不高
  2. 不能适应可增长的类别
  3. 只适用于线性模型
  4. 对于大数据集,需要大规模的分布式优化

散列编码-Hash encoding

优点:

  1. 容易实现
  2. 模型训练成本更低
  3. 容易适应新类别
  4. 容易处理稀有类
  5. 可用于在线学习

缺点:

  1. 只适合线性模型或核方法
  2. 散列后的特征无法解释
  3. 精确度难以保证

分箱计数-Bin-Counting

优点:

  1. 训练阶段的计算负担最小
  2. 可用于基于树的模型
  3. 容易适应新的类别
  4. 可使用back-off方法或最小计数图处理稀有类
  5. 可解释

缺点:

  1. 需要历史数据
  2. 需要延迟更新,不完全适合在线学习
  3. 很可能导致数据泄露

上面内容摘自:《精通特征工程

总结

分类特征是离散的特征,数值类特征是连续的。

对于小型分类,常用的编码方式有:

  1. 自然数编码/序列编码-Ordinal Encoding
  2. 独热编码-One-Hot Encoding
  3. 虚拟编码-Dummy Encoding
  4. 效果编码-Effect Encoding

对于大型分类,常用的编码方式有:

  1. 目标编码-Target Encoding
  2. 散列编码-Hash encoding
  3. 分箱计数-Bin-Counting

相关文章推荐:

机器学习之类别特征处理

特征工程(四): 类别特征

数值类特征

https://easyai.tech/wp-content/uploads/2022/08/c3a87-2021-03-21-datafeature.png

数值类特征是最常见的一种特征类型,数值可以直接喂给算法。
为了提升效果,我们需要对数值特征做一些处理,本文介绍了4种常见的处理方式:缺失值处理、二值化、分桶、缩放。

什么是数值类特征?

https://easyai.tech/wp-content/uploads/2022/08/5f1f1-2021-03-21-keceliang.png

数值类特征就是可以被实际测量的特征。例如:

  • 人的身高、体重、三维
  • 商品的访问次数、加入购物车次数、最终销量
  • 登录用户中有多少新增用户、回访用户

 

数值类的特征可以直接喂给算法,为什么还要处理?

因为好的数值特征不仅能表示出数据隐藏的中的信息,而且还与模型的假设一致。通过合适的数值变换就可以带来很好的效果提升。

例如线性回归、逻辑回归对于数值的大小很敏感,所以需要进行缩放。

https://easyai.tech/wp-content/uploads/2022/08/8a714-2021-03-21-2points.png

对于数值类特征,我们主要关注2个点:

  1. 大小
  2. 分布

下面提到的4种处理方式都是围绕大小和分布来优化的。

 

数值类特征常用的4种处理方式

https://easyai.tech/wp-content/uploads/2022/08/e1ef8-2021-03-21-4method.png

  1. 缺失值处理
  2. 二值化
  3. 分桶 / 分箱
  4. 缩放

 

缺失值处理

在实际问题中,经常会遇到数据缺失的情况。缺失值对效果会产生较大的影响。所以需要根据实际情况来处理。

对于缺失值常用3种处理方式:

  1. 填充缺失值(均值、中位数、模型预测…)
  2. 删除带有缺失值的行
  3. 直接忽略,将缺失值作为特征的一部分喂给模型进行学习

 

二值化

这种处理方式通常用在计数的场景,例如:访问量、歌曲的收听次数…

举例:

根据用户的听音乐的数据来预测哪些歌曲更受欢迎。

假设大部分人听歌都很平均,会不停的听新的歌曲,但是有一个用户24小时的不停播放同一首歌曲,并且这个歌曲很偏门,导致这首歌的总收听次数特别高。如果用总收听次数来喂给模型,就会误导模型。这时候就需要使用“二值化”。

同一个用户,把同一首歌听了N遍,只计数1,这样就能找出大家都喜欢的歌曲来推荐。

 

分桶 / 分箱

拿每个人的收入举例,大部分人的收入都不高,极少数人的收入极其高,分布很不均匀。有些人月收入3000,有些人月收入30万,跨了好几个数量级。

这种特征对于模型很不友好。这种情况就可以使用分桶来处理。分桶就是将数值特征分成不同的区间,将每个区间看做一个整体。

常见的分桶:

  1. 年龄分布
  2. 商品价格分布
  3. 收入分布

常用的分桶方式:

  1. 固定数值的分桶(例如年龄分布:0-12岁、13-17岁、18-24岁…)、
  2. 分位数分桶(例如淘宝推荐的价格区间:30%用户选择最便宜的价格区间、60%用户选择的中等价格区间、9%的用户选择最贵的价格区间)
  3. 使用模型找到最佳分桶

https://easyai.tech/wp-content/uploads/2022/08/c2ba0-2021-03-21-taobao-fenweishu.png

 

缩放

线性回归、逻辑回归对于数值的大小很敏感、不同特征尺度相差很大的话会严重影响效果。所以需要将不同量级的数值进行归一化。将不同的数量级缩放到同一个静态范围中(例如:0~1,-1~1)。

常用的归一化方式:

  1. z分数标准化
  2. min-max标准化
  3. 行归一化
  4. 方差缩放

扩展阅读:

数据缩放:标准化和归一化

106-数据缩放scaling(标准化、归一化)的那些事

探索性数据分析 | EDA

https://easyai.tech/wp-content/uploads/2022/08/d7e01-2021-03-07-edabanner.png

探索性数据分析是拿到原始数据后,通过技术手段帮助自己更好的理解数据、提取出“好特征”、建立初步模型的过程。

本文将介绍数据的分类方式,以及不同类型的数据如何可视化的具体方法。

什么是探索性数据分析?

说到篮球,大家都知道身高、臂展是运动员的关键特征。

那手球呢?相信大部分人都说不出来。

遇到自己不熟悉的领域,需要快速对陌生领域有一定的理解。

有2种方法来帮助我们理解陌生领域:

  1. 咨询业内人士。资深的业内人士会传授一些他们的经验。
  2. 去研究一下陌生领域的数据。我们可以把手球运动员的身体数据和成绩数据拿过来做分析,看看最优秀的手球运动员都有哪些特点。在没有任何行业经验的情况下,通过对数据的洞察,也能有一些发现。

https://easyai.tech/wp-content/uploads/2022/08/73047-2021-03-07-ask-eda.png

上面的第二条路就是:探索性数据分析 | Exploratory Data Analysis | EDA

探索性数据分析就是利用各种技术手段(大部分都是利用数据可视化)探索数据内部结构和规律的一种数据分析方法和理念。

探索性数据分析的目的是尽可能是洞察数据集、发现数据的内部结构、提取重要的特征、检测异常值、检验基本假设、建立初步的模型。

探索性数据分析的3步方法

https://easyai.tech/wp-content/uploads/2022/08/ef6ca-2021-03-08-3steps.png

探索性数据分析的过程大致分为3步:

  1. 数据分类
  2. 数据可视化
  3. 洞察数据

第一步:数据分类

当我们拿到数据后,第一步就是把这些数据进行分类,然后用不同方法来处理不同类型的数据。

数据由粗到细可以按照下面的方式来分类:

https://easyai.tech/wp-content/uploads/2022/08/24d96-2021-03-07-xifen.png

结构化数据 VS 非结构化数据

结构化数据:能够用表格来组织的数据都算是结构化的数据。

例如:Excel里的数据、MySQL里的数据…

非结构化数据:非表格形式组织的都是。

例如:文本、图片、视频…

 

定量数据 VS 定性数据

定量数据:数值类型,衡量某样东西的数量。

例如:1985

定性数据:类别,描述某样东西的性质。

例如:80后

 

数据的4个等级

定类等级(norminal level):是数据的第一个等级,其结构最弱。只需要按照名称来分类。

例如:血型(A,B,AB,O)、姓名、颜色

定序等级(ordinal level):定序等级在定类等级的基础上加了自然排序,这样我们就可以对不同数据进行比较。

例如:餐厅的评星,公司的考核等级

定距等级(interval level):定距等级一定是数值类型的,并且这些数值不仅可以用来排序,还可以用来加减。

例如:华氏度、摄氏度(温度有负数,不可以进行乘除运算)

定比等级(ratio level):在定距等级的基础上,加入了绝对零点,不但可以做加减的运算,还可以做乘除的运算。

例如:金钱、重量

 

第二步:数据可视化

为了更好的洞察数据,我们可以将数据可视化,从而更好的观察数据的特点。

常用的数据可视化有下面几种:

https://easyai.tech/wp-content/uploads/2022/08/78ba6-2021-03-07-keshihua.png

上面的4个数据等级需要对应不同的可视化方法,下面整理了一个表格,可以帮助大家更好的选择可视化的方案。

下面是一些基础的可视化方案,在实际应用中,会有更复杂的,组合图表可以使用。

数据等级 属性 描述性统计 图表
定类 离散、无序 频率占比、众数 条形图、饼图
定序 有序类别、比较 频率、众数、中位数、百分位数 条形图、饼图
定距 数字差别有意义 频率、众数、中位数、均值、标准差 条形图、饼图、箱线图
定比 连续 均值、标准差 条形图、曲线图、饼图、箱线图

第三步:洞察数据

数据的可视化可以帮助我们更好的洞察数据,我们可以更高效的发现哪些数据更重要,不同数据之间可能存在的关系,哪些数据会相互影响…

之所以叫探索性数据分析,就是没什么固定的套路,所以这一步没什么好讲的。

总结

探索性数据分析就是利用各种技术手段(大部分都是利用数据可视化)探索数据内部结构和规律的一种数据分析方法和理念。

探索性数据分析的过程大致分为3步:

  1. 数据分类
  2. 数据可视化
  3. 洞察数据