p-value：拒绝原假设H0时犯错误的概率，即其值越小，越说明拒绝原假设H0 接受备择假设H1是正确的。
直观来说，就是犯错概率越低越好。
也可以解释为，假定“不靠谱”原假设为真时，得到与样本相同或者比样本更极端结果的概率。
例如，原假设“人们拇指平均长度是10cm”，根据样本数据得到p-value是0.03，这意味着如果人们拇指平均长度是10cm，得到样本或更极端结果的概率是0.03，小于0.05，这时我们就可以认为原假设不可能成立，即拒绝原假设。
这里需要注意的是，P值不是给定样本结果时原假设为真的概率，而是给定原假设为真时样本结果出现的概率。
p-value与alpha值：
p值精确地算出一个取样的稀罕程度，alpha值是事先给出的对样本稀有程度的判定界限。
Kaggle房价预测进阶版/bagging/boosting/AdaBoost/XGBoost
===稀疏数据
The Wide and Deep Learning Model（译文+Tensorlfow源码解析）
ppt=======
没有高质量的数据，就没有高质量的数据挖掘结果，当我们做监督学习算法，难免会碰到混乱的数据集，缺失的值，当缺失比例很小时，可直接对缺失记录进行舍弃或进行手工处理，missingno提供了一个小型的灵活的、易于使用的数据可视化和实用工具集，用图像的方式让你能够快速评估数据缺失的情况，而不是在数据表里面步履维艰。你可以根据数据的完整度对数据进行排序或过滤，或者根据热度图或树状图来考虑对数据进行修正。
missingno 是基于matplotlib建造的一个模块，所以它出图速度很快，并且能够灵活的处理pandas数据。
花了几天时间粗略地看完了xgboost原论文和作者的slide讲解，仅仅是入门入门入门笔记。给我的感觉就是xgboost算法比较复杂，针对传统GBDT算法做了很多细节改进，包括损失函数、正则化、切分点查找算法优化、稀疏感知算法、并行化算法设计等等。本文主要介绍xgboost基本原理以及与传统gbdt算法对比总结，后续会基于python版本做了一些实战调参试验。想详细学习xgboost算法原理建议通读作者原始论文与slide讲解。
skew定义
偏度（skewness），是统计数据分布偏斜方向和程度的度量，是统计数据分布非对称程度的数字特征。偏度(Skewness)亦称偏态、偏态系数。 表征概率分布密度曲线相对于平均值不对称程度的特征数。直观看来就是密度函数曲线尾部的相对长度。 定义上偏度是样本的三阶标准化矩：
