欢迎踏上你的预测分析（Predictive Analytics）之旅！

刚开始准备 Exam PA 时，可能会觉得像是在学一种新语言，但别担心——这里面大多数的概念，其实都是你凭直觉就能理解的东西。在这章里，我们将探讨任何预测模型中的“原材料”：变量（Variables）。了解你手上的数据类型是“数据探索（Data Exploration）”的第一步，因为它决定了你将绘制什么图表以及建立什么模型。让我们开始吧！

1. 全局观：变量的角色

在我们我们将数据按“类别”分门别类之前，我们需要先了解每一项数据在模型中扮演的角色。在预测建模中，我们通常有两个主角：

目标变量（“目标”）

目标变量（Target Variable）（也称为响应变量（Response）或因变量（Dependent Variable））是你试图预测或解释的对象。在 Exam PA 的项目中，商业问题总会指引你找到一个明确的目标。
比喻： 如果你试图预测烤蛋糕需要多久，那么“烘烤时间”就是你的目标变量。

预测变量（“配料”）

预测变量（Predictors）（也称为特征（Features）、自变量（Independent Variables）或解释变量（Explanatory Variables））是你用来进行预测的信息。
比喻： 为了预测烘烤时间，你可能会查看烤箱温度、面糊重量以及你所在厨房的海拔高度。这些就是你的预测变量。

公式小检查：
在许多教科书中，你会看到两者的关系写成：
\( Y = f(X) + \epsilon \)
其中：
\( Y \) = 目标变量。
\( X \) = 预测变量。
\( f \) = 我们试图寻找的数学函数或模型。
\( \epsilon \) (epsilon) = 我们无法解释的“噪声”或随机误差。

关键点： 预测建模简单来说，就是使用预测变量 (X) 来估计目标 (Y)。

2. 定性（类别）变量

定性变量（Qualitative variables）代表的是描述或“组别”，而非测量值。这些变量描述了观测对象的某种特质。我们将其分为两大类：

名义变量（仅有名称）

名义变量（Nominal variables）是指没有逻辑顺序的类别。一个类别并不会比另一个“更高”或“更好”。
例子： 性别、发色、居住省份，或保险单类型（汽车险 vs. 房屋险）。
记忆小撇步： Nominal（名义）= Name（名称）。

次序变量（顺序很重要）

次序变量（Ordinal variables）是指类别之间有明确的顺序，但类别之间的数学距离是不固定的。
例子： 教育程度（高中、学士、硕士、博士）或客户满意度（低、中、高）。
比喻： 想象一场赛跑。跑出第 1、第 2 和第 3 名是次序关系。你知道第 1 名比第 2 名快，但单看排名并不知道具体快了“多少”。

重点复习表：
- 名义： 没有顺序的类别（红、蓝、绿）。
- 次序： 有明确等级的类别（小、中、大）。

3. 定量（数值）变量

定量变量（Quantitative variables）是代表可测量数量的数字。你可以对这些数值进行运算（例如计算平均值）。我们将其分为两组：

离散变量

离散变量（Discrete variables）是你数出来的东西。它们通常取整数值，且数值之间有“间隙”。
例子： 一个人提出的索赔次数、家庭拥有的汽车数量，或家庭中的子女数量。
检查： 你能有 2.47 个孩子吗？不能。这代表它是离散的。

连续变量

连续变量（Continuous variables）是你测量出来的东西。它们可以在某个范围内取任何值，包括小数。
例子： 索赔损失的确切美元金额、一个人的年龄，或其年收入。
检查： 一笔索赔金额可以是 $1,205.52 吗？可以。这让它是连续的。

你知道吗？ 有时在 Exam PA 中，离散与连续之间的界线会变得模糊。例如，年龄在技术上是连续的（你可以是 25.432 岁），但通常会记录为离散的整数（25 岁）。如果发生这种情况，请不要惊慌，只需观察数据在数据集中实际是如何存储的即可。

4. 你需要知道的专门术语

当你阅读 Exam PA 的教材时，你会经常看到这些术语。我们现在来厘清一下：

二元（或二分）变量（Binary / Dichotomous Variables）：一种特殊的类别变量，只有两个选项。通常为 0/1、是/否，或通过/不通过。
虚拟变量（Dummy Variables / Indicators）：将类别变量转化为数字以便电脑理解的过程。例如，如果你有“性别”，你可能会建立一个名为“Is_Female”的变量，其中 1 代表是，0 代表否。
水平（Levels）：这是指定性变量中的不同类别。如果“颜色”有红、蓝、绿，我们就说该变量有 三个水平（three levels）。
观测值（Observations）：这就是数据中的行（rows）。每一行代表被测量的一个独立“个体”（例如一个保单持有人或一份索赔案件）。

5. 需避免的常见陷阱

陷阱 1：将次序变量视为名义变量。
如果你将“信用评分等级”（差、中、好）视为名义变量，你的模型就会丢失“好”优于“差”这一重要的信息。

陷阱 2：混淆标签与数字。
有时数据会用数字作为标签。例如，“区域 1、区域 2、区域 3”。即使它们是数字，它们实际上是名义变量。将“区域 1”加上“区域 2”并不会变出“区域 3”。

陷阱 3：忘记目标变量的类型。
这是最重要的一点！如果你的目标是连续的（如索赔成本），你处理的是回归（Regression）问题。如果你的目标是类别的（如“客户会续保吗？”），你处理的是分类（Classification）问题。

本章总结

1. 预测变量 (X) 用于预测目标变量 (Y)。
2. 定性数据是类别性的。分为名义（无顺序）或次序（有顺序）。
3. 定量数据是数值性的。分为离散（数出来的）或连续（测量出来的）。
4. 目标变量的类型决定了你的建模方法：数字型选回归，类别型选分类。

如果这些标签看起来很多，请别担心！当你在接下来的章节中接触实际数据时，这些定义就会变得自然而然。你一定可以的！