Statistics 为什么有些统计数据没有用于数据科学

我学会了统计学，包括均值、中位数、模式和不同的测试

为Z检验、F检验和卡方检验，且几乎全部参与

困难的数值数据预测挑战，如kaggle和其他

我很少看到有人使用z，f，卡方检验

这些数据的标准化-我们都使用箱线图、条形图来查看平均值

中位数、模式等

我的问题是，这些测试是数据科学中不可或缺的一部分，为什么

这类问题主要是基于设计研究的

在数据科学问题中，理想情况下应该使用统计数据的哪一部分

为什么只有一部分被使用，而所有的统计数据都是数据科学所必需的

---

我问的是关于测试和除算法之外的其他统计数据。

如果你在看A/B测试之类的东西，你最有可能在数据科学中看到统计假设测试，你的目标是确定两个样本之间是否存在可靠的差异以及差异的大小

Kaggle竞赛特别是有监督的学习问题，而不是假设检验，这就是为什么你看不到人们使用卡方检验之类的东西。（这是有道理的：如果你让十个人在同一个数据集上进行假设检验，他们应该得到几乎相同的答案，这将导致一场相当无趣的竞争。）

---

就个人而言，我认为熟悉统计假设检验和机器学习技术是很好的，因为它们有不同的用途。希望有帮助！：）

数据科学中的每一个问题都需要一种不同的方法，因此一般的统计方法可能不适用。由于这不是一个编程问题，因此可能不需要一些统计数据来投票结束。这可能适用于统计数据或其他网站，尽管这是相当广泛的。