开始进行统计建模的提示和技巧？

我从事数据挖掘领域的工作，很少接受统计学方面的正规教育。最近，我读了很多关于贝叶斯学习和挖掘范式的工作，我觉得这很有趣。

我的问题是（分为几个部分），考虑到一个问题，是否有一个通用的框架可以用来构建统计模型？给定想要为其基础流程建模的数据集时，您要做的第一件事是什么？有没有好的书籍/教程可以解释这个过程，或者是经验的问题？在构建模型时，推理是在您的思维的最前沿吗？还是在担心如何使用数据进行计算之前首先要描述数据？

任何见识将不胜感激！谢谢。

在统计中，就像在数据挖掘中一样，您从数据和目标开始。在统计中，人们非常关注推理，即使用样本回答总体水平的问题。在数据挖掘中，重点通常是预测：您从样本（训练数据）创建模型以预测测试数据。

统计过程如下：

1. 使用摘要和图表来探索数据-根据数据驱动统计学家的方式，有些人会更加开放，从各个角度看待数据，而另一些人（尤其是社会科学家）将通过数据的视角看待数据。感兴趣的问题（例如，特别是绘制感兴趣的变量而不是其他变量）

   1. 选择合适的统计模型族（例如，对于连续Y线性回归，对于二进制Y逻辑回归，或对计数数据进行泊松回归），然后选择模型

   2. 估算最终模型

   3. 测试模型假设以确保合理满足（与数据挖掘中的预测准确性测试不同）

   4. 使用模型进行推断-这是与数据挖掘不同的主要步骤。“ p值”一词到了这里...

看一看任何基本的统计教科书，您会发现关于探索性数据分析的一章，后面是一些分布（将有助于选择合理的近似模型），然后是推论（置信区间和假设检验）和回归模型。

我向您介绍了经典的统计过程。但是，我对此有很多问题。对推理的关注已经完全支配了领域，而预测（这是极其重要和有用的）几乎被忽略了。而且，如果您查看社会科学家如何使用统计数据进行推理，您会发现他们使用统计数据的方式大不相同！您可以在此处查看有关此内容的更多信息

就书籍而言，Hastie，Tibshirani和Friedman撰写的“统计学习要素”非常好。

整本书可在作者的网站上找到；您可能想看看它是否完全适合您的需求。

至于（在线）参考资料，我建议您查看Andrew Moore的统计数据挖掘教程幻灯片。

关于数据挖掘和机器学习的教科书很多。也许一个不错的起点是Hand等人的数据挖掘原理和Alpaydin的机器学习简介。

我发现的最好的贝叶斯入门书籍是Data Analysis-A Bayesian Tutorial。这很实用。