1.对比分析法
。
比较分析法是通过指标的比较来反映事物数量的变化，是统计分析中常用的方法。 常见的对比有横向对比和纵向对比。
横向比较是指不同物品在一定时间内的比较，例如不同等级的用户在同一时间购买商品的价格比较、不同商品在同一时间的销售量、利润率等比较。
纵向比较是指同一事物在时间维度上的变化。 例如上个月比、上一年比和定基比，也就是本月销售额和上个月销售额的比较、本年度1月销售额和上一年度1月销售额的比较、本年度每月销售额和上一年度平均销售额的比较等。
利用比较分析法，可以有效地判断和评价数据的规模、水平高低、速度快慢等。
2.分组分析法
分组分析法是指根据数据的性质、特征，按照一定的指标，将数据整体分成不同的部分，分析其内部结构和相互关系，了解事物的发展规律。 根据指标的性质，组分析法分为属性指标组和数量指标组。 属性指标表示事物的性质、特征等，如姓名、性别、文化程度等，这些指标不能运算； 数据指标表示的数据可以进行人的年龄、工资收入等运算。 组分析法一般与比较分析法合用。
3.预测分析法
预测分析法主要根据当前数据，判断和预测未来数据的变化趋势。 预测分析一般分为两类。 一种是基于时间序列的预测，例如，根据过去的销售业绩预测未来三个月的销售额。 另一个是回归系统的预测，根据指标之间相互影响的因果关系进行预测。 例如，根据用户的网页浏览行为，预测用户可能购买的商品。
4.漏斗分析法
漏斗分析法又称过程分析法，主要目的是集中于某个事件关键环节的转化率，在互联网行业应用较为普遍。 例如，在信用卡申请的过程中，用户从浏览信用卡信息，到填写信用卡资料、提交申请、银行审批和办理信用卡，最后用户激活和使用信用卡，有很多重要的环节，每个环节都有使用漏斗分析法，可以使业务方关注各环节的转化率，进行监测和管理，在某一环节转化率出现异常时，可以针对性地优化流程，采取相应措施提高业务指标。
5.AB测试分析法
AB测量分析法其实是比较分析法，但重点是比较a、b两组结构相似的样品，根据样品的指标值分析各自的差异。 例如，针对某个APP的同一功能，设计不同的样式和页面布局，向用户随机分配两种样式的页面，最后根据用户在该页面上的浏览转化率评价不同样式的优劣，从而满足用户的喜好
另外，为了搞好数据分析，读者还需要掌握一定的数学基础。 例如，基本统计量的概念(平均、方差、众数、中位数等)、方差性和变异性的测量指标)极端差、四分位数、四分位数距离、百分位数等)、数据分布(几何分布、二元分布等)、概率论基础、统计采样、可靠性等
本文摘自《机器学习测试入门与实践》
本书全面系统地介绍了机器学习测试技术和质量体系的完善，分为五个部分，共15章。 第一部分(第1 (第4章)涵盖了机器学习、Python编程、数据分析的基础知识。 第二部分(第五(7章)介绍了大数据的基础、大数据测试指南及相关工具的实践； 第三部分(第八(10章)说明了机器学习测试的基础、特征特别测试以及模型算法评价测试； 第四部分(第11(13章)介绍了模型评价平台的实践、机器学习工程技术及机器学习的持续交付流程。 第五部分(第14章和第15章)探讨了AI(artificialintelligence )在测试领域的实践和AI时代测试工程师的未来。
本书有助于理解机器学习是如何工作的，机器学习的质量保证是如何进行的。 工程开发人员和测试工程师通过阅读本书，可以系统地了解大数据测试、特征测试以及模型评估等知识； 算法工程师通过阅读本书，可以学习模型评价的方法，拓宽模型工程实践的思路技术专家和技术上调皮的钢笔通过阅读本书，可以了解机器学习的质量保证和工程性能的建设方案。