数据挖掘算法_算法篇(01) 数据挖掘算法初探

前言

无论是传统行业，还是互联网行业。掌握数据，就是掌握规律。当你了解了市场数据，对它进行分析，就可以得到市场规律。当你掌握了产品自身的数据，对它进行分析，就可以了解产品的用户来源、用户画像等等。所以说数据是个全新的视角。

当我们谈论数据分析的时候，都在讲些什么呢？这里可以把数据分析分成三个重要的组成部分。

数据采集：它是我们的原材料，也是最“接地气”的部分，因为任何分析都要有数据源。

数据挖掘：它可以说是最“高大上”的部分，也是整个商业价值所在。之所以要进行数据分析，就是要找到其中的规律，来指导我们的业务。因此数据挖掘的核心是挖掘数据的商业价值，也就是我们所谈的商业智能 BI。

数据可视化：它可以说是数据领域中万金油的技能，可以让我们直观地了解到数据分析的结果。

在这个专栏中，我们主要学习第二个部分：数据挖掘算法，一定程度上，也可以称为机器学习算法。

一、数据挖掘的基本流程

数据挖掘的过程可以分成以下 6 个步骤：

商业理解：数据挖掘不是我们的目的，我们的目的是更好地帮助业务，所以第一步我们要从商业的角度理解项目需求，在这个基础上，再对数据挖掘的目标进行定义。

数据理解：尝试收集部分数据，然后对数据进行探索，包括数据描述、数据质量验证等。这有助于你对收集的数据有个初步的认知。

数据准备：开始收集数据，并对数据进行清洗、数据集成等操作，完成数据挖掘前的准备工作。

模型建立：选择和应用各种数据挖掘模型，并进行优化，以便得到更好的分类结果。

模型评估：对模型进行评价，并检查构建模型的每个步骤，确认模型是否实现了预定的商业目标。

上线发布：模型的作用是从数据中找到金矿，也就是我们所说的“知识”，获得的知识需要转化成用户可以使用的方式，呈现的形式可以是一份报告，也可以是实现一个比较复杂的、可重复的数据挖掘过程。数据挖掘结果如果是日常运营的一部分，那么后续的监控和维护就会变得重要。

简易版

二、算法分类

2.1 按照不同的目的，将常见的算法分成如下几类：

分类算法：k-近邻算法（KNN）、决策树（ID3，C4.5，CART）、朴素贝叶斯（Naive Bayes）、随机森林、逻辑回归、SVM、Adaboost、CART

回归算法：线性回归、岭回归

聚类算法：K-Means、EM

关联分析：Apriori

连接分析：PageRank

2.2 也可以分成：监督学习(supervised learning)、无监督学习(unsupervised learning)。

在具体介绍前，先简述一下数据集的构成，即：特征值 + 目标值；但有些数据集是可以没有目标值的。

根据有无目标值，就可以分为：监督学习与无监督学习。

监督学习，输入数据是由输入特征值和目标值所组成。输出可以是一个连续的值(称为回归)，或是输出是有限个离散值(称为分类)。

分类：k-近邻算法、贝叶斯分类、决策树与随机森林、逻辑回归等；

回归：线性回归、岭回归等；

无监督学习，输入数据仅是由特征值所组成；如：聚类 k-means 等。

三、特征工程

在正式介绍特征工程前，先来看看以下几个问题：

Q1：为什么需要特征工程(Feature Engineering)？

业界广泛流传，数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。

Q2：什么是特征工程？

特征工程，是使用专业背景知识和技巧处理数据，使得特征能在机器学习算法上发挥更好的作用的过程。Q3：特征工程的位置与数据比较

pandas：数据清洗、数据处理；
sklearn：对于特征的处理提供了强大的接口。

Q4：特征工程主要包含的内容

特征抽取、特征预处理、特征降维；

在正式介绍特征工程之前，先来简单介绍下数据集：

3.1 可用数据集

Kaggle网址：https://www.kaggle.com/datasets

特点：大数据竞赛平台、数据量巨大；

UCI数据集网址：http://archive.ics.uci.edu/ml/

特点：收录了360个数据集，覆盖科学、生活、经济等领域，数据量几十万；

scikit-learn网址：https://scikit-learn.org/stable/datasets/index.html#datasets

特点：数据量较小、方便学习；

......

3.1.1 Scikit-learn 工具介绍

Python语言的机器学习工具，包括许多知名的机器学习算法的实现，文档完善，容易上手，丰富的API。

# 安装包
pip install Scikit-learn

包含内容：

3.1.2 获取sklearn自带的数据集API

3.1.3 划分数据集

数据集会划分为两个部分：

训练数据：用于训练，构建模型；
测试数据：在模型检验时使用，用于评估模型是否有效；

划分比例：测试集一般在20%-30%，不传参，默认25%；

API剖析

数据集划分案例

本篇，先写到这里吧！下一篇：特征工程介绍；