1、大数据计算模型是统计数据视角的实体模型通常指的是统计分析或大数据挖掘、深度学习、人工智能技术等种类的实体模型，这些模型是从科学研究视角去往界定的。

2、大数据计算模型的要点：降维：对大量的数据和大规模的数据进行数据挖掘时，往往会面临“维度灾害”。数据集的维度在无限地增加，但由于计算机的处理能力和速度有限，此外，数据集的多个维度之间可能存在共同的线性关系。这会立即造成学习模型的可扩展性不足，乃至许多那时候优化算法結果会无效。因而，人们必须减少层面总数并减少层面间共线性危害。数据降维也称为数据归约或数据约减。它的目的就是为了减少数据计算和建模中涉及的维数。有两种数据降维思想:一种是基于特征选择的降维，另一种是基于维度变换的降维。回归：回归是一种数据分析方法，它是研究变量X对因变量Y的数据分析。我们了解的最简答的回归模型就是一元线性回归(只包含一个自变量和因变量，并且晾在这的关系可以用一条直线表示)。回归分析根据自变量的数量分为单回归模型和多元回归模型。根据影响是否是线性的，可以分为线性回归和非线性回归。聚类：我们都听过“物以类聚，人以群分”这个词语，这个是聚类分析的基本思想。聚类分析法是大数据挖掘和测算中的基础每日任务，聚类分析法是将很多统计数据集中化具备“类似”特点的统计数据点区划为一致类型，并最后转化成好几个类的方式。大量数据集中必须有相似的数据点。基于这一假设，可以区分数据，并且可以找到每个数据集(分类)的特征。