腾讯公司培训关于数据挖掘数据分析的.pptVIP

腾 讯 大 讲 堂 研发管理部 数据蕴含商机，挖掘决胜千里 Agenda 数据挖掘是什么？ 1 模型+算法 2 数据挖掘实践分享 3 心得与总结 4 从运筹帷幄到决胜千里… 舌战群儒 草船借箭 巧借东风 火烧赤壁 赤壁怀古 苏轼 …… 羽扇纶巾 谈笑间 樯橹灰飞烟灭...... 观日月之行，察天地之变 风 雷 电 雨 云 云多会下雨 刮风会下雨 下雨会闪电 闪电会打雷 …… 换成它呢？？？ 数据爆炸的时代 Data Mining, circa 1963 IBM 7090 600 cases “Machine storage limitations restricted the total number of variables which could be considered at one time to 25.” 多学科的融合 Databases Statistics Pattern Recognition KDD Machine Learning AI Neurocomputing Data Mining Agenda 数据挖掘是什么？ 1 模型+算法 2 数据挖掘实践分享 3 心得与总结 4 几个基本概念 模型（Model） vs 模式（Pattern） 数据挖掘的根本目的就是把样本数据中隐含的结构泛化（Generalize）到总体（Population）上去 模型：对数据集的一种全局性的整体特征的描述或概括，适用于数据空间中的所有点，例如聚类分析 模式：对数据集的一种局部性的有限特征的描述或概括，适用于数据空间的一个子集，例如关联分析 算法（Algorithm）：一个定义完备（well-defined）的过程，它以数据作为输入并产生模型或模式形式的输出 描述型挖掘（Descriptive） vs 预测型挖掘（Predictive） 描述型挖掘：对数据进行概括，以方便的形式呈现数据的重要特征 预测型挖掘：根据观察到的对象特征值来预测它的其他特征值 描述型挖掘可以是目的，也可以是手段 数据挖掘是一个过程 “from data mining to knowledge discovery in database”. U. fayyad, G.P.Shapiro and P.Smyth (1996) 数据挖掘方法论 CRISP_DM （Cross Industry Standard Process for DM） 1998年，由NCR、Clementine、OHRA和Daimler-Benz的联合项目组提出 SEMMA SAS公司提出的方法 Sample, Explore, Modify, Model, Assess 在战略上使用Crisp_DM方法论，在战术上应用SEMMA方法论 工欲善其事必先利其器 数据清洗 填充缺失值, 修均噪声数据, 识别或删除孤立点, 并解决数据不一致问题 主要分析方法：分箱（Binning）、聚类、回归 数据集成 多个数据库、数据方或文件的集成 数据变换 规范化与汇总 数据简化 减少数据量的同时, 还可以得到相同或相近的分析结果 主要分析方法：抽样、主成分分析 数据离散化 数据简化的一部分, 但非常重要 (尤其对于数值型数据来说) 先来玩玩数据（EDA） 探索性数据分析（Exploratory Data Analysis, EDA） 探索性地查看数据，概括数据集的结构和关系 对数据集没有各种严格假定 主要任务 数据可视化（a picture is worth a thousand words） 残差分析（数据＝拟合 + 残差） 数据的重新表达（什么样的尺度－对数抑或平方根－会简化分析） 方法的耐抗性（对数据局部不良的不敏感性，如中位数耐抗甚于均值） 常见方法 统计量，如均值、方差、根方差、协方差、峰度、偏度、相关系数等 统计图，如饼图、直方图、散点图、箱尾图等 模型，如聚类 数据挖掘 = 模型 + 算法 分类预测 关联规则 孤立点探测 聚类 Logistic Regression 决策树 神经网络 K-Means K-Mode SOM（自组织图） Apriori FP-Growth 基于统计 基于距离 基于偏差 你使用过信用卡吗？ 卡应该发给谁？ 哪些持卡人会拖欠？ 哪些拖欠的客户会还款？ 影响 资产组合 （Portfolio） 1、根据历史，预测将来 2、目标是一个分类变量 3、预测结果是一个统计意义下的概率 1、哪些人可以发卡，额度是多少。 2、持卡人拖欠的概率是多少 3、该对谁催收 分类过程 训练集 分类学习 训练集 IF rank = ‘professor’ OR years 6 THEN tenured = ‘yes’ Jef is YES! 分类器