EDA

优化模型EDA应用广泛，以下列出5种包含数据包络分析（DEA）的优化算法： 基于DEA的权重向量优化算法 基于DEA的约束优化算法 基于DEA的层次分析优化算法 基于DEA的遗传算法优化算法 基于DEA的模拟退火算法优化算法

EDA（Estimation of Distribution Algorithm）是一种进化算法，它通过建模问题的概率分布来优化解决方案。综合评价通常涉及多个评估指标的综合考虑，以得出全局的优化排序或最佳解决方案。基于EDA算法的综合评价包括多目标优化，如加权求和和Pareto前沿方法；概率模型建模，例如高斯和多项式模型；集成优化，与其他优化算法结合使用；以及评价算法的自适应性，根据问题特性调整算法性能。

玩转数据，洞悉商机：探索性数据分析(EDA) EDA，即探索性数据分析， 是一种灵活的数据分析方法，它无需预设严格的假设，而是通过可视化、分析残差、数据转换等方式，来揭示数据背后的结构和关系， 发现潜在的规律和商机。 EDA常用方法： 统计量: 均值、方差、根方差、协方差、峰度、偏度、相关系数等 统计图: 饼图、直方图、散点图、箱尾图等 模型: 聚类 EDA的优势: 直观易懂： 通过图表等可视化手段，将数据信息清晰地展现出来。 发现潜在规律： 帮助我们识别数据中的异常值、趋势和模式， 挖掘隐藏的商机。 验证假设: 为后续的建模和分析提供基础和方向。 腾讯大讲堂59期， 带你一起玩转EDA，探索数据背后的无限可能！