數(shù)據(jù)挖掘淺談

作者介紹

@貓耳朵

專注于數(shù)據(jù)分析；

“數(shù)據(jù)人創(chuàng)作者聯(lián)盟”成員。

豆豆和花花開了一家鮮花店。豆豆跟花花說：“情人節(jié)快到了，咱店都需要準備哪類情人節(jié)花束？每類花束需要準備多少？……” 花花回答道，“根據(jù)顧客分類，大致分為自信示愛、甜蜜上心、星河摯愛等共8類。前三類去年賣地特別好，今年需要提供比上年多30%的花束，……”。

豆豆說：“鮮花的保質(zhì)期特別短，所以，多購買的鮮花只能從30%降至10%，既可以控制成本，又可以積攢口碑?！?/p>

在上面案例中，花花制定采購方案首先進行顧客分類，在數(shù)據(jù)挖掘領(lǐng)域，可以使用無監(jiān)督模型（例如k-means），也可以使用分類模型（例如KNN、決策樹、邏輯回歸等）將用戶分群?；ɑA估“今年需要提供比上一年高30%的花束”，在數(shù)據(jù)挖掘領(lǐng)域，可以使用回歸模型進行預測。

接下來，筆者就跟你淺談一下數(shù)據(jù)挖掘。

01

機器學習與數(shù)據(jù)挖掘的區(qū)別與聯(lián)系

1.1

概念

首先，我們對機器學習和數(shù)據(jù)挖掘的定義做一下總結(jié)：

數(shù)據(jù)挖掘是指從大量的、不完全的、有噪聲的、模糊的、隨機的數(shù)據(jù)中通過算法搜索隱藏于其中信息的過程。換句話說，數(shù)據(jù)挖掘試圖從海量數(shù)據(jù)中找到有用的信息。

機器學習是一類從數(shù)據(jù)中自動分析獲得規(guī)律，并利用規(guī)律對未知數(shù)據(jù)進行預測的算法。也就是說，機器學習就是將現(xiàn)實生活中的問題抽象成數(shù)學模型，利用數(shù)學方法對這個數(shù)學模型進行求解，從而解決現(xiàn)實生活中的問題。

1.2

聯(lián)系與區(qū)別

1.2.1 聯(lián)系

數(shù)據(jù)挖掘受到很多學科領(lǐng)域的影響，其中包括數(shù)據(jù)庫、機器學習、統(tǒng)計學、領(lǐng)域知識及模式識別等領(lǐng)域。簡而言之，對于數(shù)據(jù)挖掘，數(shù)據(jù)庫提供數(shù)據(jù)存儲技術(shù)，機器學習和統(tǒng)計學提供數(shù)據(jù)分析技術(shù)。

統(tǒng)計學經(jīng)常忽視實際的效用醉心于理論的優(yōu)美，因此，統(tǒng)計學提供的大部分技術(shù)都要在機器學習領(lǐng)域進一步研究，變成機器學習算法后才能進入數(shù)據(jù)挖掘領(lǐng)域。從這方面來講，統(tǒng)計學主要是通過機器學習來對數(shù)據(jù)挖掘發(fā)揮影響，而機器學習和數(shù)據(jù)庫則是數(shù)據(jù)挖掘的兩大支撐。

簡言之，機器學習為數(shù)據(jù)挖掘提供解決實際問題的方法，數(shù)據(jù)挖掘中算法的成功應(yīng)用，說明了機器學習對算法的研究具有實際運用價值。

1.2.2 區(qū)別

從數(shù)據(jù)分析來講，大多數(shù)數(shù)據(jù)挖掘技術(shù)都是來自于機器學習，但是機器學習研究不把海量數(shù)據(jù)作為處理對象，因此，數(shù)據(jù)挖掘需要對算法進行改造，使得算法性能和空間占用達到實用的地步。同時，數(shù)據(jù)挖掘還有自身獨特的內(nèi)容——關(guān)聯(lián)分析。

至于，數(shù)據(jù)挖掘和模式識別，從概念上區(qū)分，數(shù)據(jù)挖掘重在發(fā)現(xiàn)知識，模式識別重在認識事物。

簡言之，機器學習注重相關(guān)機器學習算法的理論研究和算法提升，更偏向理論和學術(shù)；數(shù)據(jù)挖掘注重運用算法或者其他某種模式解決實際問題，更偏向?qū)嵺`和運用。

02

機器學習的分類

機器學習的方法是基于數(shù)據(jù)產(chǎn)生的“模型”的算法，也稱為“學習算法”。機器學習方法包括有監(jiān)督學習、無監(jiān)督學習、半監(jiān)督學習和強化學習。

2.1

有監(jiān)督學習

有監(jiān)督學習指對數(shù)據(jù)的若干特征與標簽之間的關(guān)聯(lián)性進行建模的過程。它的主要目標是從有標簽的訓練數(shù)據(jù)中學習模型，以便對未知或未來的數(shù)據(jù)做出預測。

以用戶是否會復購鮮花為例，可以采用監(jiān)督學習算法在打過標簽的（正確標識是與否）數(shù)據(jù)上訓練模型，然后用該模型來預測新用戶是否屬于粘性用戶。

標簽為離散值的監(jiān)督學習任務(wù)稱為「分類任務(wù)」，例如上述的用戶是否會復購鮮花示例。常用的分類模型包括KNN、決策樹、邏輯回歸等。

標簽為連續(xù)值的監(jiān)督學習任務(wù)稱為「回歸任務(wù)」，例如根據(jù)歷史數(shù)據(jù)預測未來的銷售額。常用的回歸模型為線性回歸、非線性回歸和嶺回歸等。

注意：機器學習領(lǐng)域的預測變量通常稱為特征，而響應(yīng)變量通常稱為目標變量或標簽。

2.1

無監(jiān)督學習

無監(jiān)督學習指對不帶任何標簽的數(shù)據(jù)特征進行建模，通常被看成是一種“讓數(shù)據(jù)自己介紹自己”的過程。也就是說，用無監(jiān)督學習，可以在沒有目標變量或獎勵函數(shù)的指導下，探索數(shù)據(jù)結(jié)構(gòu)來提取有意義的信息。

這類模型包括「聚類任務(wù)」和「降維任務(wù)」。其中，聚類算法可以將數(shù)據(jù)分成不同的組別，而降維算法追求用更簡潔的方式表現(xiàn)數(shù)據(jù)。

1.3

半監(jiān)督學習

半監(jiān)督學習方法介于有監(jiān)督學習和無監(jiān)督學習之間，通常在數(shù)據(jù)不完整時使用。

1.4

強化學習

強化學習不同于監(jiān)督學習，它將學習看作是試探評價過程，以“試錯”的方式進行學習，并與環(huán)境交互已獲得獎懲指導行為，以其作為評價。也就是說，強調(diào)如何基于環(huán)境而行動，以取得最大化的預期利益。

此時，系統(tǒng)靠自身的狀態(tài)和動作進行學習，從而改進行動方案以適應(yīng)環(huán)境。

03

數(shù)據(jù)挖掘建模過程

從數(shù)據(jù)本身來考慮，數(shù)據(jù)挖掘建模過程通常需要有理解商業(yè)、理解數(shù)據(jù)、準備數(shù)據(jù)、建模型、評估模型和部署模型6個步驟。

3.1

理解商業(yè)

理解商業(yè)算是數(shù)據(jù)挖掘中最重要的一部分，在這個階段我們需要明確商業(yè)目標、評估商業(yè)環(huán)境、確定挖掘目標以及產(chǎn)生一個項目計劃。

簡單地說，就是針對不同的業(yè)務(wù)場景，需要明白挖掘的目標是什么，需要達到什么樣的效果。用大白話講，就是你到底想干啥。

仍以鮮花店為例，為了提高銷售額，店員可以幫助客戶快速找到他感興趣的花束，同時在保證用戶體驗的情況下，為其附加一個可接受的小飾品，比如花瓶、零食、香水等。

3.2

理解數(shù)據(jù)

數(shù)據(jù)是挖掘過程的“原材料”，在數(shù)據(jù)理解過程中我們需要了解都有哪些數(shù)據(jù)，這些數(shù)據(jù)的特征是什么，可以通過對數(shù)據(jù)進行描述分析得到數(shù)據(jù)的特點。其中，了解有哪些數(shù)據(jù)尤為重要，其決定了后期工作進展的順利程度。

比如和花店有關(guān)的數(shù)據(jù)：

1）鮮花數(shù)據(jù)：鮮花名稱、鮮花品類、采購時間、采購數(shù)量、采購金額等。

2）經(jīng)營數(shù)據(jù)：經(jīng)營時間、預定時間、預定品類、預定人數(shù)等。

3）其他數(shù)據(jù)：是否為節(jié)假日、用戶口碑、競爭對手動向、天氣情況等。

3.3

準備數(shù)據(jù)

在數(shù)據(jù)準備階段我們需要對數(shù)據(jù)作出清洗、重建、合并等操作。選出要進行分析的數(shù)據(jù)，并對不符合模型輸入要求的數(shù)據(jù)進行規(guī)范化操作。主要是為建模準備數(shù)據(jù)，可以從數(shù)據(jù)預處理、特征提取、特征選擇等幾方面出發(fā)，整理如下：

1）缺失值：由于個人隱私或設(shè)備故障導致某些觀測值在某些緯度上的漏缺，通常稱為缺失值。缺失值存在可能會導致模型結(jié)果的錯誤，所以針對缺失值可以考慮刪除、眾數(shù)或均值填充等解決。

2）異常值：由于遠離正常樣本的觀測點，它們的存在同樣會對模型的準確型造成影響?？梢酝ㄟ^象限圖或3sigma（正態(tài)分布）進行判斷，如果是，可以考慮刪除或單獨處理。

3）量綱不一致：模型容易受到不同量綱的影響，因此需要通過標準化方法（通常采用歸一化、Normalization之類的方法）將數(shù)據(jù)進行轉(zhuǎn)換。

4）維度災難：當數(shù)據(jù)集中包含上百乃至上千萬的變量時，往往會提高模型的復雜度，從而影響模型的運行效率，所以需要采用方差分析、相關(guān)分析、主成分分析等手段實現(xiàn)降維。

3.4

建模型

一般情況下，預處理將占整個數(shù)據(jù)挖掘流程80%左右的時間。在保證數(shù)據(jù)“干凈”的前提下，需要選出合適的模型。以下是常用的機器算法。

1）分類模型：KNN、決策樹、邏輯回歸等。

2）回歸模型：線性回歸、嶺回歸、支持向量回歸等。

3）無監(jiān)督模型：k-means等。

數(shù)據(jù)挖掘中大部分模型都不是專為解決某個問題而特制的，模型之間相互不排斥。不能說一個問題只能采用某個模型，其他的都不能用。通常來說，針對某個數(shù)據(jù)分析項目，并不存在所謂的最好的模型，在最終決定選擇哪種模型之前，各種模型都嘗試一下，然后再選取一個較好的。各種模型在不同的環(huán)境中，優(yōu)劣會有所不同。

3.5

評估模型

評估階段主要是對建模結(jié)果進行評估，目的是選出最佳的模型，讓這個模型能夠更好地反映數(shù)據(jù)的真實性。并不是每一次建模都能符合我們的目標，對效果較差的結(jié)果分析原因，偶爾也會返回前面的步驟對挖掘過程重新定義。

比如，對于決策樹或者邏輯回歸，即使在訓練集中表現(xiàn)良好，但在測試集中結(jié)果較差，說明該模型存在過擬合。

3.6

模型部署

建立的模型需要解決實際的問題，它還包括了監(jiān)督、產(chǎn)生報表和重新評估模型等過程。很多時候建模一般使用spss、python、r等，在建模的過程中只考慮模型的可用性，在生產(chǎn)環(huán)境中通常會利用Java或C++等語言將模型改寫，從而提高運行性能。

預祝大家情人節(jié)快樂！

想了解更多數(shù)據(jù)知識也歡迎看，7位大廠數(shù)據(jù)產(chǎn)品寫的《大數(shù)據(jù)實踐之路：數(shù)據(jù)中臺+數(shù)據(jù)分析+產(chǎn)品應(yīng)用》這本書。

關(guān)鍵詞： 數(shù)據(jù)挖掘淺談 數(shù)據(jù)挖掘 機器學習 數(shù)據(jù)分析