数据科学最常用流程CRISP-DM，终于有人讲明白了

导读：什么是CRISP-DM？有什么用？本文带你搞明白。

作者：约翰·凯莱赫（John D. Kelleher）、布伦丹·蒂尔尼（Brendan Tierney）

译者：张世武、黄元勋　

来源：大数据DT（ID：bigdatadt）

为了帮助人们勇攀数据科学金字塔，很多人或公司提出了他们认为的最佳的数据科学处理流程。最常用的流程为“跨行业标准数据挖掘流程”（Cross Industry Standard Process for Data Mining ，CRISP-DM）。

事实上，多年来，CRISP-DM一直稳居各种行业调查第一名。CRISP-DM的主要优势，也是它被广泛使用的原因，其关键在于它被设计成独立于任何软件、供应商或数据分析技术。

CRISP-DM最初是由一个由领先的数据科学供应商、终端用户、咨询公司和研究人员组成的联盟开发的。CRISP-DM项目最初由欧盟委员会（European Commission）在ESPRIT项目中提供了部分资助，该流程在1999年的一次研讨会上被首次提出。从那时起，许多人尝试更新这个流程，但是最初的版本目前仍然广为使用。

多年来，CRISP-DM有一个专门的网站，但近年来这个网站已经废弃，有时你可能会被IBM重定向到SPSS网站，IBM也是该项目的最初资助者之一。最初，联盟发布了一个详细的（76页）但可读性很高的指南，可以在线免费获取该文档（参考Chapman等1999），其中的几页对该流程的结构和主要任务进行了摘要。

CRISP-DM生命周期包括六个阶段：

• 业务理解（business understanding）

• 数据理解（data understanding）

• 数据准备（data preparation）

• 建模（modeling）

• 评估（evaluation）

• 部署（deployment）

如图2-3所示。

▲图2-3 CRISP-DM生命周期

数据是所有数据科学活动的核心，这就是CRISP-DM图以数据为中心的原因。阶段之间的箭头表示该流程的典型方向。这个过程是半结构化的，这意味着数据科学家并不总是以线性方式顺序经过这六个阶段。根据特定阶段的结果，数据科学家可以回到前面的某个阶段，重新执行当前阶段的活动，或