本文探讨了如何将数据科学应用于商业问题，强调了数据挖掘任务如分类、回归、聚类在解决问题中的作用。区分了监督式和非监督式方法，并以电信公司的客户流失问题为例，说明数据挖掘建立预测模型的过程。此外，还提到了数据挖掘的迭代过程（CRISP-DM）和管理数据科学团队的特性，以及统计学、数据库查询等其他分析技术在解决商业问题上的应用。
商业领域的问题以及数据科学之对策
1. 从商业问题到数据挖掘任务
任何一个“由数据驱动的”商业决策问题，尽管都有其行业或者应用的独特性，但是解决这个问题的办法却依赖于若干个基本的数据挖掘任务。这些任务列举如下：
- 分类以及类的概率预测（classification & class probability estimation）
- 回归（regression）
- 相似性匹配（similarity matching）
- 聚类（clustering）
- 并存分组（co-occurrence grouping）
- 概述（profiling）
- 联系预测（link prediction）
- 数据简化（data reduction）
- 因果模型（causal modelling）
2. 监督式和非监督式方法
监督式和非监督这两个术语，来自于机器学习领域。这是一种比喻：老师利用一系列的例子（samples），通过提供“目标信息（target information）”，从而“监督”学习者。比如，老师通过提供大量的练习题（samples），并且提供正确的答案（target information）
最低0.47元/天 解锁文章
460
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
