数据分析的三个部分
-
数据采集
-
数据挖掘
——数据挖掘的核心是挖掘数据的商业价值,也就是我们所谈论的商务智能(BI)
需要大致掌握和了解以下内容:
①基本流程
②十大算法
③一定的数学基础
-
数据可视化
这一部分主要是要学会相关工具的使用
两点原则
- 尽量使用第三方类库完成自己的想法
- 尽量选择使用者最多的工具,bug少,文档全,案例多
基本流程
- 商业理解:从商业角度理解项目需求,更好地服务于业务;
- 数据理解:对数据进行探索,包括数据描述,数据质量验证,以便于对数据有一个初步认知;
- 数据准备:数据清洗和继承;
- 模型建立:应用挖掘模型并优化,以便得到更好的分类结果;
- 模型评估:对模型进行评价,检查构建模型的每个步骤,确认模型是否已经达到了商业目标;
- 上线发布
数据挖掘的十大算法
按照不同的目的,将以上十种算法分为以下四类:
- 分类算法:C4.5 ,朴素贝叶斯,SVM,KNN,Adaboost,CART;
- 聚类算法:K—Means,EM
- 关联分析:Apriori
- 连接分析:PageRank
下面首先初步了解上述10个算法:
C4.5
一种决策树算法,在创建决策树的过程中进行剪枝,并且可以处理连续的属性,也能对不完整的数据进行处理。
朴素贝叶斯
基于概率论的原理,对于给出的未知物体想要分类,就需要求解求在出现的条件下各个类别出现的概率,哪个最大,就认为属于哪个分类。
SVM
支持向量机(Support Vector Machine)建立一个超平面的分类模型。
KNN
K近邻算法(K-Nearest Neighbor)每个样本都可以用它最近的k个邻居来代表,若一个样本,它的k个最接近的邻居都属于分类A,那么这个样本也属于分类A
AdaBoost
AdaBoost在训练中建立了一个联合的分类模型,构建分类器提升算法,可以让我们多个弱的分类器组成一个强的分类器,所以Adaboost也是一个常用的分类算法。
CART
CART 代表分类和回归树,英文是 Classification and Regression Trees。像英文一样,它构建了两棵树:一棵是分类树,另一个是回归树。和 C4.5 一样,它是一个决策树学习方法。
Apriori
Apriori 是一种挖掘关联规则(association rules)的算法,它通过挖掘频繁项集(frequent item sets)来揭示物品之间的关联关系,被广泛应用到商业挖掘和网络安全等领域中。频繁项集是指经常出现在一起的物品的集合,关联规则暗示着两种物品之间可能存在很强的关系。
K-Means
K-Means 算法是一个聚类算法。你可以这么理解,最终我想把物体划分成 K 类。假设每个类别里面,都有个“中心点”,即意见领袖,它是这个类别的核心。现在我有一个新点要归类,这时候就只要计算这个新点与 K 个中心点的距离,距离哪个中心点近,就变成了哪个类别。
EM
EM 算法也叫最大期望算法,是求参数的最大似然估计的一种方法。原理是这样的:假设我们想要评估参数 A 和参数 B,在开始状态下二者都是未知的,并且知道了 A 的信息就可以得到 B 的信息,反过来知道了 B 也就得到了 A。可以考虑首先赋予 A 某个初值,以此得到 B 的估值,然后从 B 的估值出发,重新估计 A 的取值,这个过程一直持续到收敛为止。
PageRank
PageRank 起源于论文影响力的计算方式,如果一篇文论被引入的次数越多,就代表这篇论文的影响力越强。同样 PageRank 被 Google 创造性地应用到了网页权重的计算中:当一个页面链出的页面越多,说明这个页面的“参考文献”越多,当这个页面被链入的频率越高,说明这个页面被引用的次数越高。基于这个原理,我们可以得到网站的权重划分。