企业官网建设流程全解析

花了两个晚上把 DATA2001 从 Week 2 到 Week 12 的讲义、作业和自己的笔记重新过了一遍，越往后整理越发现这门课其实有一条非常清晰的主线：它不是在教你背一堆统计术语，而是让你理解数据科学到底怎么从一个原始数据问题，一步步走到模型结论。期末复习最怕的就是把知识点当成孤立的碎片去背，考试时题目换个说法就认不出来。所以我写这篇概括的思路，不是按周次罗列一遍课堂目录，而是先把知识点重新组织成几条逻辑链，再告诉大家每条链上哪些点最容易考、哪些点容易踩坑。这门课的覆盖范围很广，从数据伦理、探索性分析、推断统计一路延伸到回归和分类模型，任何一块都不能完全放弃，但它们各自的权重和考核方式差别很大，复习策略也应该不一样。

整个课程的知识框架看下来，大致可以按时间和逻辑分成五个阶段：第一阶段是数据科学的工作流程和数据伦理，第二阶段是描述性统计与探索性数据分析，第三阶段是推断统计，第四阶段是回归建模，第五阶段是分类模型与期末综合应用。下面我就按照这个逻辑，把每个阶段的核心知识点、常见考点和容易犯的错误系统梳理一遍。

1. 从Week 2到Week 4：数据科学流程与数据伦理，不是送分而是送命题

1.1 数据科学流程看起来是常识，考得却全是细节

Week 2 首先建立的是整个数据科学项目的标准流程，大多数教材把它描述为：问题定义、数据获取、数据清洗、探索性数据分析（EDA）、建模、模型评估、部署与沟通。听起来就像常识，但考试真正想考察的并不是你能不能把这几个阶段背下来，而是你能不能针对具体场景判断当前处于哪个阶段，以及相邻阶段之间的迭代关系。

举个例子，讲义里反复强调 EDA 不是一个一次性步骤，而是贯穿建模前后的循环过程。你在建模之后发现残差有明显模式，于是返回去做特征工程，这其实属于模型迭代而不是一个新的项目阶段。期末如果给一个场景描述，想要判断考察的是"数据清洗"还是"特征工程"，关键看操作对象——清洗是针对原始数据的完整性、格式和错误值，特征工程则是在已有字段的基础上构造新变量。很多同学在这一点上模棱两可，一到选择题就会犹豫。

另一个容易被考到的是 CRISP-DM 或者类似框架里的业务理解环节。这里出题很喜欢把"数据科学项目的第一步是什么"和"数据可视化从什么时候开始"混在一起问。数据科学的第一步永远不是建模也不是爬数据，而是把业务问题转化为可分析的问题。比如说业务方说"用户流失很严重"，这句话是不能直接建模的，你得把它转化为"过去三个月内未产生购买行为的用户比例为何上升"这种可操作的问题。期末考试里如果出现这种转化题，记住一个判断标准：可操作的问题必须包含明确的对象、时间窗口和度量指标。

1.2 数据伦理与隐私保护：重点在场景判断而不是概念背诵

Week 3 的数据伦理部分，概念本身并不复杂：知情同意、数据匿名化、数据所有权、算法公平性、透明度和可解释性。但考试几乎不会直接问"什么是知情同意"这种默写题，而是给一个具体场景让你判断哪里违反了伦理原则，或者要求你选择最合适的缓解措施。

我复习时把伦理问题梳理成三种典型题型。第一种是隐私泄露场景，比如某研究团队获取了一份包含年龄段和所在区域的数据，声称已经匿名化，但仍然可能通过组合字段识别到具体个人。这里考察的是"重新识别风险"，考核点不是有没有删掉姓名和身份证号，而是剩余字段的组合是否仍然构成准标识符。第二种是公平性场景，例如训练集中某一群体的样本量很少，导致模型对该群体预测不准。这涉及的是代表性偏差，不一定是算法本身有偏见，而是训练数据没能反映真实人群分布。第三种是透明度和解释权场景，典型题目是根据"被拒绝贷款的用户有权知道原因"这条原则，判断应该选择可解释模型还是追求精度的黑箱模型。

这门课讲伦理部分的深意不是让你成为一个伦理学家，而是让你在真实项目中养成一个习惯：每次做特征选择、数据采集、模型评估时，都要自动检查一遍有没有触碰伦理红线。考试里伦理题通常放在案例题的最后一个小问，往往只有 3-5 分，但如果你完全没意识到这个角度，丢分会非常可惜。建议把讲义中三个伦理原则分别对应一个自己的案例，考场上看到类似描述就直接套用。

1.3 数据获取与清洗：看似基础，却是Week 4最重要的实操考点

Week 4 的内容开始进入代码层面，主要围绕数据获取和清洗。数据获取方式无非是开放数据下载、数据库查询、API 接口和网络抓取，代码题目一般不会要求你写抓取脚本，但会考察数据格式的识别，比如 CSV、JSON、XML 各自的结构特点，以及文本数据中常见的编码问题。

数据清洗部分有四个高频考核点：缺失值处理、重复值检测、异常值判断和数据类型转换。先说缺失值，讲义中给出的策略包括直接删除行、用均值或中位数填充、用前后值填充、以及根据其他特征预测填充。考试经常问的是"哪种填充方式适用于什么场景"——如果是时间序列数据，前后值填充通常比全局均值更合理；如果缺失机制是完全随机缺失，删除行可能引入的偏差较小；如果缺失与标签存在关联，则不能简单删除。我复习时总结了一句口诀：删除看比例、均值看分布、前后看时间、预测看变量。

异常值处理是另一个容易丢分的地方。课程强调的是不要一看到离群点就删除，而是先判断是数据录入错误还是真实波动。判断标准包括业务合理性（比如人类身高中出现 300cm）、统计方法（如 3 倍标准差或 IQR 的 1.5 倍规则）以及可视化确认。考试中如果给出一组数的分布并要求判断某值是否为异常值，用 IQR 方法计算上界是最稳妥的答案。还要注意一点：异常值处理和数据清洗的结果会直接影响后面的描述性统计，比如均值对异常值非常敏感，所以先可视化再决定清洗策略是标准的思路。

2. Week 5到Week 7：描述性统计与探索性数据分析，分数差距在这里拉开

2.1 描述性统计的核心：分布形态比平均数本身更有信息量

Week 5 进入统计学的核心内容。描述性统计这一块，老师不会满足于让你计算均值、中位数、标准差，而是希望你能通过它们判断数据分布的特征。通常集中在：均值、中位数、众数之间的关系；标准差与方差的计算与解读；偏度和峰度的含义；以及百分位数和箱线图的应用。

先说中心趋势。当数据是右偏分布时，均值会大于中位数，因为尾巴上几个很大的值把均值拉高了。熟悉这种关系后，很多题目可以秒做：如果一个数据集里大多数人的收入在 3 万到 6 万之间，但极少数人收入上千，那么均值将会高于中位数。这种题表面是数学题，实际考的是你对分布形状的敏感性。再者，均值对异常值高度敏感，中位数则具有稳健性，所以描述一个房价数据集时，报告中位数往往比报告均值更合理。

离散程度的考点也很明确：极差、IQR、方差、标准差之间的关系。极差只依赖于最大和最小值，完全没有考虑中间数据的分布，所以极易被异常值影响。IQR 定义为第三四分位数减第一四分位数，覆盖了中间 50% 的数据，是箱线图的基石。标准差的作用不只是在描述数据，更重要的是它是后面所有推断统计的基础——标准误、置信区间、z 分数全都依赖标准差。这里公式本身不难，但要注意区分总体标准差和样本标准差，分母一个是 n 一个是 n-1，这是考试中非常喜欢挖坑的地方。

2.2 图表的选择：每一个可视化类型都在回答一种特定的问题

Week 6 的探索性数据分析，各种图表几乎都能背出来，但真的做题时你会发现，题目经常不是问"这个图叫什么"，而是给出一个业务问题让你选择最合适的图表。比如：想看单一数值型变量的分布，用直方图；想看两个数值型变量的关系，用散点图；想比较不同类别的数值大小，用箱线图或条形图；想看一个变量随时间的变化趋势，用折线图。如果变量是类别型的，条形图比直方图更合适，因为直方图的横轴是有序且连续的数值区间，条形图的横轴则是独立类别。

最容易混的地方是直方图、箱线图和密度图三者的对比。直方图能直观展示频数分布的形状，但组距的选择会极大影响呈现效果；箱线图对分布形态和异常值一目了然，但会隐藏数据的多峰结构；密度图适合比较大样本下两个分布的差异，却对小样本非常不稳定。试卷上如果给出同一个数据集的三张图，让你判断哪张图展示信息最充分，通常会选箱线图，因为它在一个小图中同时包含了中位数、四分位距和异常值。但如果说想看数据是否服从正态分布，QQ 图或直方图叠加正态曲线会更合适。

散点图和相关性的结合也是期末常客。讲义里强调过：散点图应该在看相关系数之前就画，因为相关系数只能描述线性关系，而两个变量完全可能呈现明显的非线性关系但相关系数接近零。这属于"可视化先行"原则，我在作业里踩过这个坑，当时直接计算相关系数得到 0.2，以为相关性弱，画完图才发现是清晰的反 U 形关系。考试如果给一组数据和对应的散点图，务必先看图再选相关系数的描述。

2.3 EDA阶段最容易被忽略的两个细节

第一个细节是数据标准化与归一化的区别。标准化是把数据转换为均值为 0、标准差为 1 的分布，公式是 (x - mean) / std；归一化是把数据缩放到 [0,1] 区间，公式是 (x - min) / (max - min)。许多同学考完试还是搞不清它们各自的适用场景：当后续算法依赖距离计算或梯度下降时（比如 KNN、K-Means、神经网络），标准化更常用；当变量本身有明确上下界且需要保留原始比例时，归一化更方便。课程不会要求你手推这些算法，但会让你判断某个数据预处理操作的目的。

第二个细节是相关矩阵和热力图的使用。相关性矩阵里的每个值是皮尔逊相关系数，范围在 -1 到 1 之间。这里要注意它只能捕捉线性关系，所以变量之间即便存在明显的非线性关联，也不应该指望相关系数能看出来。另外，从相关矩阵中你能做的事包括：识别冗余特征（相关系数接近 1 的两个特征可能会带来共线性问题）、判断特征与目标变量的线性关联强度。但你不能仅凭相关性就说"这两个变量有因果关系"，这是整个统计推断课的底线，期末简答题特别爱考这个区分。

3. Week 8到Week 9：推断统计，整门课的理论天花板

3.1 中心极限定理：为什么正态分布无处不在

Week 8 第一个重量级概念就是中心极限定理。很多同学把它背成了"样本容量足够大时，样本均值的分布近似正态分布"，但不知道它到底解决了什么问题。事实上，这门课想要传递的思想是：我们永远无法知道总体的真实参数，但我们能通过抽样，用样本统计量去推断总体参数，而中心极限定理保证了样本均值的抽样分布在大样本下近似正态。这个近似不受总体原始分布的影响，哪怕总体本身严重右偏，只要样本量足够大，样本均值的分布也会变成钟形。

围绕中心极限定理，期末题型大致有三类。第一类是概念题：为什么我们能使用正态分布构建置信区间，即使不知道总体分布？答案就是中心极限定理。第二类是计算题：给定总体均值 μ、总体标准差 σ 和样本量 n，求样本均值的标准差，即标准误 = σ / sqrt(n)。这里陷阱在于很多同学会把总体标准差和样本标准差混用，还有不少人口算时忘了开根号。第三类是判断题：样本量多大才算"足够大"？讲义上的经验值常取 n ≥ 30，但要提醒的是，如果总体严重偏态或存在极端异常值，30 可能仍然不够，这种细化判断正是考查你对定理本质的理解。

3.2 置信区间与假设检验：一条完整的推断链条

理解了抽样分布之后，置信区间和假设检验就顺理成章了。置信区间的逻辑可以用一句话概括：我们无法确定总体均值的精确值，但可以用样本均值加减一个误差范围，构造出一个以一定置信水平覆盖真实值的区间。95% 置信区间的公式是：样本均值 ± 1.96 乘以标准误。这里最容易出概念辨析的是对置信水平的解释——95% 置信水平的意思是"如果反复抽样并构造区间，大约 95% 的区间会包含真实总体均值"，而不是"总体均值有 95% 的概率落在我们计算出的这个具体区间里"。后者是经典的误读，考试选择题专门等着它。

假设检验在思路上其实是置信区间的另一面。整个过程可以归纳为四步：提出原假设和备择假设；选择检验统计量并计算 p 值；设定显著性水平 α（通常 0.05）；比较 p 值和 α 得出结论。这里的关键知识点是 p 值的真正含义：在原假设为真的前提下，观察到当前样本结果或更极端结果的概率。这个定义绕口，但考试要的就是这种精确表达。p 值越小，说明数据与原假设越不相容，于是我们拒绝原假设。

很多同学容易把"统计显著"和"实际显著"划等号，这是 Week 9 重点强调的一个区分。样本量很大时，即使总体均值与假设值的差异非常小，p 值也会很小，统计上显著；但从业务角度看，这个微小差异可能完全无关紧要。所以答题时如果看到大规模样本，判断结论时要同时提到统计显著性和实际显著性，不能只说"p < 0.05 所以拒绝原假设"就算完整回答了。

3.3 检验方法的选型与p值陷阱

到了假设检验的具体应用，课程介绍的检验包括单样本 t 检验、双样本 t 检验、配对 t 检验和卡方检验。选型的逻辑不复杂，根据变量类型和目标来定：要检验一个数值型变量的均值是否等于某个已知值，用单样本 t 检验；要比较两个独立组的数值型变量均值差异，用双样本 t 检验；同一组对象的前后两次测量，要用配对 t 检验而不是双样本 t 检验；要检验两个类别型变量是否独立，用卡方检验。期末最容易出的陷阱就是混淆配对与独立——比如"同一批学生考试前和考试后的成绩对比"，数据来自同一群体，必须用配对检验。

关于显著性水平和 p 值，还有几个常见的理解误区需要专门防雷。第一，p 值大于 0.05 并不等于"原假设为真"，只是说明证据不足以拒绝原假设。第二，p 值不是原假设为真的概率，两者是完全不同的概念。第三，多次检验会增大犯第一类错误的概率，如果做了 20 次检验而每次都使用 0.05 的显著性水平，纯属偶然得到显著结果的概率远高于 0.05。这门课虽然不会深入要求你掌握多重比较校正的细节，但简答题中"频繁进行假设检验会产生什么问题"这类问题出现的概率不低，至少要知道会发生假阳性膨胀。

第一类错误和第二类错误的对比也是必考概念。第一类错误是原假设为真但错误地拒绝了它，概率由显著性水平 α 控制；第二类错误是原假设为假但没有拒绝它，概率记为 β；统计功效就是 1-β，即正确拒绝错误原假设的能力。要增大统计功效，通常可以通过增大样本量 n 来实现。期末论述题如果要求你评价某个实验设计是否合理，"样本量是否足够"是最容易切入的得分点。

4. Week 10到Week 11：回归模型与机器学习入门，建模思维的第一次实战

4.1 线性回归：解释和预测是两回事

Week 10 从线性回归开始，这里不再只是描述数据，而是开始建模。简单线性回归的方程是 y = b0 + b1*x + ε，其中 b0 是截距，b1 是斜率，ε 是误差项。课程的重点不是手推最小二乘法的导数，而是理解模型是如何拟合的：最小二乘法选择一条直线，让所有样本点到直线的垂直距离的平方和最小。这个思路本身就构成了简答题的高频考点——相比让绝对误差和最小，平方和能给大误差更大的惩罚，而且数学上可导。

线性回归的输出解读是必考项。斜率 b1 的含义是"x 每增加一个单位，y 平均增加 b1 个单位"；截距 b0 的含义是"当 x 等于 0 时，y 的预测值"。这两个定义看似简单，但题目里经常故意用"当 x=0 时 y 的预测值"来迷惑学生，而如果 x=0 不在数据范围内，截距的实际业务意义就会非常有限。另一个高频解读题是 R 方。R² 表示的是自变量解释了因变量总变异中的多少比例，范围在 0 到 1 之间。R² 大不等于模型好，因为增加更多自变量总会让 R² 上升或者持平，它不惩罚模型复杂度。

回归部分还有一个非常容易考到但常被轻视的点：残差分析。残差是观测值减去预测值，残差图的作用在于验证线性回归的关键假设——线性关系、误差独立性、同方差性和正态性。如果残差图中出现喇叭形分布，说明存在异方差；如果残差和预测值之间存在明显曲线模式，说明变量关系不是线性的，可能需要添加多项式项或做变量变换。期末如果给出一张残差图让你判断模型是否适用，标准答案是先检查是否随机分布在零线附近，如果出现任何系统性模式，都说明模型有改进空间。

4.2 偏差方差权衡与过拟合：必考的理解性题目

Week 11 前半段开始进入机器学习的门槛，核心概念是偏差-方差权衡，这也是整门课中最具思维深度的地方。偏差描述的是模型预测的平均值与真实值之间的差异，高偏差往往意味着模型过于简单，拟合不足；方差描述的是模型预测对训练数据波动的敏感程度，高方差往往意味着模型过于复杂，过拟合。训练误差和测试误差的关系是理解这个权衡的钥匙：随着模型复杂度上升，训练误差持续下降，但测试误差先下降后上升；最优复杂度位于测试误差的最低点。

期末考试特别喜欢用一个例子来考这个概念：一个模型在训练数据上准确率达到 98%，但在测试数据上只有 72%，请问发生了什么？答案是过拟合——模型把训练数据中的噪声也当成了规律来学习。这种题不会直接让你背定义，而是要求你判断如何解决。解决过拟合的手段包括：减少特征数量、增加训练样本、加入正则化项、使用交叉验证来选择和评估模型。反过来，如果模型在训练数据上表现一般，在测试数据上同样一般，说明出现了高偏差，这时候单靠增加样本量通常没多大用处，更有效的方法是增加模型复杂度或更好地构造特征。

交叉验证是这门课期末几乎必考的一个工具，因为它完美结合了模型评估和泛化能力的理解。最常见的 k 折交叉验证的做法是把训练数据分成 k 份，每次用其中 k-1 份训练、1 份验证，轮流 k 次，最终取 k 次验证结果的平均。这样做的好处是充分利用所有数据来评估模型，同时减少因数据划分偶然性造成的评估偏差。考题可能问：为什么不能只用留出法（一次性把数据切为训练集和测试集）？答案通常集中在数据量不够时，留出法的评估结果对划分方式特别敏感，而交叉验证能更稳定地估计模型效果。

4.3 分类模型：核心思路和评估指标，期末案例题的重点

Week 11 后半段通常是分类问题入门，也是期末案例题最喜欢取材的方向。分类的目标是预测离散标签，课程里介绍的最典型算法包括逻辑回归、KNN 和决策树。逻辑回归虽然名字里有"回归"，本质上却是一个分类模型，它通过 sigmoid 函数将线性组合的结果映射到 0 到 1 之间，输出可以被解释为属于某一类的概率。KNN 的思路更直观：一个新样本的分类由它在特征空间中最接近的 k 个邻居投票决定，k 值选得小便容易过拟合，选得大便容易丢失局部信息。决策树则是通过递归地按特征切分数据，让子节点越来越"纯"。

评估分类模型的指标体系格外重要。准确率是所有预测中正确比例，但在类别不平衡的数据中极有误导性——比如 95% 的样本是负类，只要全部预测为负类就能得到 95% 的准确率，但这个模型毫无价值。精确率是"预测为正类的样本中有多少是真正的正类"；召回率是"真正的正类中有多少被正确识别出来了"；F1 分数是两者的调和平均，在精确率和召回率需要平衡时使用。讲义里会用一个具体场景说明取舍：比如垃圾邮件检测中，把正常邮件误判为垃圾邮件（低精确率）比漏掉一封垃圾邮件（低召回率）更让人难以接受，所以需要更看重精确率；而疾病筛查场景则相反，漏诊的代价更高，所以更看重召回率。

ROC 曲线和 AUC 也是期末可能出现的内容。ROC 曲线展示的是真正例率和假正例率在不同分类阈值下的关系，AUC 则表示该曲线下方的面积。AUC 越接近 1，模型区分正负类的能力越强；AUC 等于 0.5 说明模型判别能力和随机猜测差不多。它的好处在于不受分类阈值选择的影响，也不那么依赖类别不平衡的比例。这类指标选择题经常考察的是"为什么 AUC 可以在不平衡数据下依然有效"——因为它是基于排序而不是基于固定阈值计算的。答题时能说出这个层次，分数基本就能拿全。

5. 期末冲刺阶段的复习策略与答题技巧

5.1 按知识点权重分配复习时间

到了 Week 12，课程内容基本收尾，剩下的时间完全属于复习和整合。我给这门课估算的期末权重大概是：描述性统计和 EDA 约占 25%，推断统计约占 30%，回归与分类模型约占 30%，数据伦理与前几周基础约占 15%。当然具体比例每届可能有浮动，但这能帮你避免在"数据获取清洗"这种琐碎点上花费过多精力，而把主战场放在抽样分布、置信区间、假设检验和回归评估上。

复习顺序上，建议不要按周次从 Week 2 往后过，而是按依赖关系来。先复习描述性统计和可视化，因为这些是后续所有统计推断的基础；再复习抽样分布、置信区间和假设检验，因为它们是推断统计的完整链条；接着进入线性回归与模型评估，理解残差、R² 和过拟合的概念。最后用数据伦理案例和代码题做整体串联。如果你前面有些内容没跟上，这种顺序能让你在最短时间内建立知识网络，而不是被孤立的知识点反复折磨。

重点的记忆清单可以这样归纳：

• 标准差和标准误的区别：前者描述单个数据点的离散程度，后者描述样本均值的抽样误差。
• 置信区间与假设检验的联系：如果原假设对应的参数值落在 95% 置信区间之外，那么双侧检验的 p 值会小于 0.05；落在区间之内则无法拒绝原假设。
• 过拟合和高偏差各自的表现：训练集好测试集差是过拟合；训练集和测试集都差是高偏差。
• 准确率、精确率、召回率、F1 的适用场景：类别不平衡必须看精确率和召回率，不能只看准确率。
• 皮尔逊相关系数只衡量线性关系，相关不等于因果，是整门课的底线原则。

5.2 考试答题的实战技巧：读题顺序与表述方式

期末复习到最后，技巧有时比知识点本身更能决定分数。针对 DATA2001 的选择题和简答题，我总结了三个实战技巧。第一个技巧是拿到题先判断题型归属：是"概念辨析"还是"计算应用"还是"场景判断题"。概念辨析题一般选项里有明显过度绝对化的表述，比如"只要 p 值小于 0.05 就说明存在实际影响"，这类选项基本都是错的。计算应用题要注意单位，尤其是样本均值上下浮动时，标准误和标准差的单位相同，别在除以 sqrt(n) 时出错。

第二个技巧是简答题答题时一定要把逻辑链写完整。比如题目问"如何判断一个线性回归模型是否适合当前数据"，不能只写"看 R² 高不高"，而要说：先检查残差图是否随机分布，再用残差是否近似正态验证线性假设，然后看 R² 了解解释力度，最后如果有时间序列特征还要检查误差独立性。每一步都要点到，这样才能让阅卷者看出你是理解整个框架，而不是背了一个点。

第三个技巧是案例题当中，先画出各个角色和数据的流向。数据伦理、数据清洗、模型选择和评估往往都围绕同一个案例展开，如果你能在草稿纸上快速写出：原始数据 → 清洗 → 特征 → 模型 → 评估指标 → 伦理风险，那么无论题目怎么问，你都能把每个小问放到正确的环节里回答。我自己的经验是，凡是离了框架直接作答的题目，很容易出现前后矛盾，比如前一问说数据存在偏倚，后一问却仍然使用包含偏倚的准确率作为主要指标。

5.3 利用作业和 Past Paper 做复盘，而不是单纯刷题

期末复习最有效的手段不是把所有模拟题都刷一遍，而是把已经批改过的每周作业重新看一遍，找出反复出错的题型。我整理了一遍自己的作业后发现，错误集中在两类：一类是置信区间含义的表达不够精确，总想当然地把置信水平解释成概率；另一类是在选择图表时没有先考虑变量类型，直接把类别变量丢进直方图里。这两类错误本质上都是基本概念不够扎实，不值得做更多新题去弥补，而应该回去重看讲义对应的那几页。

如果学校提供往年试卷，请按真实考试的时间条件模拟一遍。模拟的目的不是预测真题，而是训练时间分配。根据我个人的体会，选择题一般控制在总时间的三分之一以内，剩下三分之二给简答和案例题。案例题后面几问通常分值很大，而且往往考察的是综合应用，比如同时用到回归残差分析和分类评估指标，如果你在前面某一小问上死磕太久，后面可能连题面都来不及读完，这才是最亏的。

最后一个小建议：考前把每个模型的适用条件做成自己的速查表。比如 t 检验要求近似正态，卡方检验要求独立性且期望频数不能太小，线性回归要求残差同方差，KNN 要求特征标准化。考试时如果时间紧张，直接对照速查表选择方法，能显著降低临场焦虑。这门课叫 DATA2001，但它真正想测试的其实是你有没有形成"从数据到决策"的系统思维，按这个思路复习，比单纯背知识点要踏实得多。