《数据科学与分析：Python语言实现》 —3.13　总结

3.13　总结

在本章结束时，我们在数据科学和分析工作中必须始终牢记这些想法：

如果机器可以学习，我们也可以！

机器学习和数据科学不是关注因果关系，而是关注预测、洞察力和知识。

所有模型都是错误的：没有完美的模型，只有足够好的模型。

数据科学和分析工作流程是一种平衡行为：

• 偏差和变化

• 复杂性和简单性

• 过度拟合和正则化

• 更多数据和巧妙的算法和资源

• 准确性和洞察力

• 减少的工作量和计算成本

• 鹿角兔般的数据科学家和独角兽般的数据科学家

拥有大量数据（甚至是大数据）是好的，能够构建模型也是一项很好的技能。尽管如此，它们也并不是万能的。

注意维度的诅咒。

将我们的数据分成训练集和测试集不仅是良好的做法，而且是必要的。

数据科学建模阶段的一个重要部分是使用交叉验证。请记住，测试数据绝不能用于训练。