本文介绍了数据挖掘的基本流程，重点关注CRISP-DM方法，包括商业理解、数据理解、数据准备、建立模型、模型评估和结果部署。商业理解阶段涉及业务背景分析和目标设定；数据理解涉及数据字段解释、分布和质量；数据准备涵盖数据清洗、特征生成和筛选；建立模型阶段包括模型选择、评估和调优；模型评估则关注业务目标的达成；最后是结果部署和维护。文章还提及了数据挖掘过程中的循环优化及文件夹组织结构。
CRISP-DM数据挖掘基本流程
数据挖掘的基本流程图
在实际的数据挖掘过程中，基本会经历一下的这些流程（主要参考CRISP-DM的流程，下文有详述。）。其中包含两个小循环和一个大循环。
- 第一个小循环是商业理解和数据理解之间的指标的反复构建和优化。
- 第二个小循环是数据准备和建立模型，主要涉及到对数据的各种变换：清洗、特征筛选、特征生成、数据集成等。
- 一个大循环是指，在结果部署之前，通过模型的评估，可能会回溯到商业理解的地方，对分析过程重新来过。
CRISP-DM
CRoss Industry Standard Process for Data Ming. 跨行业的基本数据挖掘流程。
下图是对数据挖掘各个阶段内应包含的内容做以简述。
CRISP-DM的实现方法
商业理解
主要目的是了解业务背景、目标和痛点、制定合理的行动方案和可预期的成果。
STAR法则：状况、任务、行动、结果
OKR准则：通过定义目标O，设置关键成果KR.
最低0.47元/天 解锁文章
扫一扫
329
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
