數(shù)據(jù)挖掘主要解決的四類問題

數(shù)據(jù)挖掘主要解決的四類問題

數(shù)據(jù)挖掘非常清晰的界定了它所能解決的幾類問題。這是一個高度的歸納，數(shù)據(jù)挖掘的應(yīng)用就是把這幾類問題演繹的一個過程。下面讓我們來看看它所解決的四類問題是如何界定的：1、分類問題分類問題屬于預(yù)測性的問題，但是它跟普通預(yù)測問題的區(qū)別在于其預(yù)測的結(jié)果是類別(如A、B、C三類)而不是一個具體的數(shù)值(如55、65、75……)。舉個例子，你和朋友在路上走著，迎面走來一個人，你對朋友說：我猜這個人是個上海人，那么這個問題就屬于分類問題；如果你對朋友說：我猜這個人的年齡在30歲左右，那么這個問題就屬于后面要說到的預(yù)測問題。商業(yè)案例中，分類問題可謂是最多的：給你一個客戶的相關(guān)信息，預(yù)測一下他未來一段時間是否會離網(wǎng)？信用度是好/一般/差？是否會使用你的某個產(chǎn)品？將來會成為你的高/中/低價值的客戶？是否會響應(yīng)你的某個促銷活動？……。有一種很特殊的分類問題，那就是“二分”問題，顯而易見，“二分”問題意味著預(yù)測的分類結(jié)果只有兩個類：如是/否；好/壞；高/低……。這類問題也稱為0/1問題。之所以說它很特殊，主要是因為解決這類問題時，我們只需關(guān)注預(yù)測屬于其中一類的概率即可，因為兩個類的概率可以互相推導(dǎo)。如預(yù)測X=1的概率為P(X=1)，那么X=0的概率P(X=0)=1-P(X=1)。這一點是非常重要的。可能很多人已經(jīng)在關(guān)心數(shù)據(jù)挖掘方法是怎么預(yù)測P(X=1)這個問題的了，其實并不難。解決這類問題的一個大前提就是通過歷史數(shù)據(jù)的收集，已經(jīng)明確知道了某些用戶的分類結(jié)果，如已經(jīng)收集到了10000個用戶的分類結(jié)果，其中7000個是屬于“1”這類；3000個屬于“0”這類。伴隨著收集到分類結(jié)果的同時，還收集了這10000個用戶的若干特征(指標、變量)。這樣的數(shù)據(jù)集一般在數(shù)據(jù)挖掘中被稱為訓(xùn)練集，顧名思義，分類預(yù)測的規(guī)則就是通過這個數(shù)據(jù)集訓(xùn)練出來的。訓(xùn)練的大概思路是這樣的：對所有已經(jīng)收集到的特征/變量分別進行分析，尋找與目標0/1變量相關(guān)的特征/變量，然后歸納出P(X=1)與篩選出來的相關(guān)特征/變量之間的關(guān)系(不同方法歸納出來的關(guān)系的表達方式是各不相同的，如回歸的方法是通過函數(shù)關(guān)系式，決策樹方法是通過規(guī)則集)。如需了解細節(jié)，請查閱：決策樹、Logistic回歸、判別分析、神經(jīng)網(wǎng)絡(luò)、Inpurity、Entropy、Chi-square、Gini、Odds、OddsRatio……等相關(guān)知識。2、聚類問題聚類問題不屬于預(yù)測性的問題，它主要解決的是把一群對象劃分成若干個組的問題。劃分的依據(jù)是聚類問題的核心。所謂“物以類聚，人以群分”，故得名聚類。聚類問題容易與分類問題混淆，主要是語言表達的原因，因為我們常說這樣的話：“根據(jù)客戶的消費行為，我們把客戶分成三個類，第一個類的主要特征是……”，實際上這是一個聚類問題，但是在表達上容易讓我們誤解為這是個分類問題。分類問題與聚類問題是有本質(zhì)區(qū)別的：分類問題是預(yù)測一個未知類別的用戶屬于哪個類別(相當(dāng)于做單選題)，而聚類問題是根據(jù)選定的指標，對一群用戶進行劃分(相當(dāng)于做開放式的論述題)，它不屬于預(yù)測問題。聚類問題在商業(yè)案例中也是一個非常常見的，例如需要選擇若干個指標(如價值、成本、使用的產(chǎn)品等)對已有的用戶群進行劃分：特征相似的用戶聚為一類，特征不同的用戶分屬于不同的類。聚類的方法層出不窮，基于用戶間彼此距離的長短來對用戶進行聚類劃分的方法依然是當(dāng)前最流行的方法。大致的思路是這樣的：首先確定選擇哪些指標對用戶進行聚類；然后在選擇的指標上計算用戶彼此間的距離，距離的計算公式很多，最常用的就是直線距離(把選擇的指標當(dāng)作維度、用戶在每個指標下都有相應(yīng)的取值，可以看作多維空間中的一個點，用戶彼此間的距離就可理解為兩者之間的直線距離。)；最后聚類方法把彼此距離比較短的用戶聚為一類，類與類之間的距離相對比較長。如需了解細節(jié)，請查閱：聚類分析、系統(tǒng)聚類、K-means聚類、歐氏距離、閔氏距離、馬氏距離等知識。3、關(guān)聯(lián)問題說起關(guān)聯(lián)問題，可能要從“啤酒和尿布”說起了。有人說啤酒和尿布是沃爾瑪超市的一個經(jīng)典案例，也有人說，是為了宣傳數(shù)據(jù)挖掘/數(shù)據(jù)倉庫而編造出來的虛構(gòu)的“托”。不管如何，“啤酒和尿布”給了我們一個啟示：世界上的萬事萬物都有著千絲萬縷的聯(lián)系，我們要善于發(fā)現(xiàn)這種關(guān)聯(lián)。關(guān)聯(lián)分析要解決的主要問題是：一群用戶購買了很多產(chǎn)品之后，哪些產(chǎn)品同時購買的幾率比較高？買了A產(chǎn)品的同時買哪個產(chǎn)品的幾率比較高？可能是由于最初關(guān)聯(lián)分析主要是在超市應(yīng)用比較廣泛，所以又叫“購物籃分析”，英文簡稱為MBA，當(dāng)然此MBA非彼MBA，意為MarketBasketAnalysis。如果在研究的問題中，一個用戶購買的所有產(chǎn)品假定是同時一次性購買的，分析的重點就是所有用戶購買的產(chǎn)品之間關(guān)聯(lián)性；如果假定一個用戶購買的產(chǎn)品的時間是不同的，而且分析時需要突出時間先后上的關(guān)聯(lián)，如先買了什么，然后后買什么？那么這類問題稱之為序列問題，它是關(guān)聯(lián)問題的一種特殊情況。從某種意義上來說，序列問題也可以按照關(guān)聯(lián)問題來操作。關(guān)聯(lián)分析有三個非常重要的概念，那就是“三度”：支持度、可信度、提升度。假設(shè)有10000個人購買了產(chǎn)品，其中購買A產(chǎn)品的人是1000個，購買B產(chǎn)品的人是2000個，AB同時購買的人是800個。支持度指的是關(guān)聯(lián)的產(chǎn)品(假定A產(chǎn)品和B產(chǎn)品關(guān)聯(lián))同時購買的人數(shù)占總?cè)藬?shù)的比例，即800/10000=8%，有8%的用戶同時購買了A和B兩個產(chǎn)品；可信度指的是在購買了一個產(chǎn)品之后購買另外一個產(chǎn)品的可能性，例如購買了A產(chǎn)品之后購買B產(chǎn)品的可信度=800/1000=80%，即80%的用戶在購買了A產(chǎn)品之后會購買B產(chǎn)品；提升度就是在購買A產(chǎn)品這個條件下購買B產(chǎn)品的可能性與沒有這個條件下購買B產(chǎn)品的可能性之比，沒有任何條件下購買B產(chǎn)品可能性=2000/10000=20%，那么提升度=80%/20%=4。如需了解細節(jié)，請查閱：關(guān)聯(lián)規(guī)則、apriror算法中等相關(guān)知識。4、預(yù)測問題此處說的預(yù)測問題指的是狹義的預(yù)測，并不包含前面闡述的分類問題，因為分類問題也屬于預(yù)測。一般來說我們談預(yù)測問題主要指預(yù)測變量的取值為連續(xù)數(shù)值型的情況。例如天氣預(yù)報預(yù)測明天的氣溫、國家預(yù)測下一年度的GDP增長率、電信運營商預(yù)測下一年的收入、用戶數(shù)等？預(yù)測問題的解決更多的是采用統(tǒng)計學(xué)的技術(shù)，例如回歸分析和時間序列分析?；貧w分析是一種非常古典而且影響深遠的統(tǒng)計方法，最早是由達爾文的表弟高爾頓在研究生物統(tǒng)計中提出來的方法，它的主要目的是研究目標變量與影響它的若干相關(guān)變量之間的關(guān)系，通過擬和類似Y=aX1+bX2+……的關(guān)系式來揭示變量之間的關(guān)系。通過這個關(guān)系式，在給定一組X1、X2……的取值之后就可以預(yù)測未知的Y值。相對來說，用于預(yù)測問題的回歸分析在商業(yè)中的應(yīng)用要遠遠少于在醫(yī)學(xué)、心理學(xué)、自然科學(xué)中的應(yīng)用。最主要的原因是后者是更偏向于自然科學(xué)的理論研究，需要有理論支持的實證分析，而在商業(yè)統(tǒng)計分析中，更多的使用描述性統(tǒng)計和報表去揭示過去發(fā)生了什么，或者是應(yīng)用性更強的分類、聚類問題。如需了解細節(jié)，請查閱：一元線性回歸分析、多元線性回歸分析、最小二乘法等相關(guān)知識。數(shù)據(jù)挖掘的應(yīng)用領(lǐng)域數(shù)據(jù)挖掘一開始就是面向應(yīng)用而誕生的，前面說到數(shù)據(jù)挖掘主要解決四大類的問題，如果把這些問題演繹到不同的行業(yè)，我們將看到數(shù)據(jù)挖掘的應(yīng)用是非常廣泛的。以我們經(jīng)常接觸的移動通信行業(yè)來說，結(jié)合前面提到的四大類問題，我們看看數(shù)據(jù)挖掘在通信行業(yè)都有哪些應(yīng)用。分類問題：離網(wǎng)預(yù)測：預(yù)測用戶在未來一段時間內(nèi)離網(wǎng)的風(fēng)險。信用申請評分：根據(jù)用戶資料評估用戶是否可以授信(如預(yù)付費用戶可以透支、后付費用戶可以延長帳期)。信用行為評分：根據(jù)用戶過去的消費行為特征評估信用得分高低，便于調(diào)整話費透支額度或者付費帳期。定位產(chǎn)品(如彩鈴、WAP、增值數(shù)據(jù)業(yè)務(wù)等)目標用戶：構(gòu)建模型篩選產(chǎn)品營銷的目標用戶群。聚類問題：用戶細分：選擇若干指標把用戶群聚為若干個組，組內(nèi)特征相似、組間特征差異明顯。當(dāng)然用戶細分的方法很多，不一定都是采用聚類方法。聚類的優(yōu)點是可以綜合處理多維變量，缺點是隨之帶來的不易解釋性。一種便于解釋的細分方法是結(jié)合業(yè)務(wù)對用戶群進行人為的劃分，習(xí)慣上稱為Pre-Define的