三个常用统计模型的典型应用场景.pdfVIP

三个常用统计模型的典型应用场景 跟大家聊三个常用统计模型的应用场景。哪三个模型呢？决策树、 K-means 聚类、因子分析。 为啥是这三个模型呢？因为这三个模型分别代表了数据分析的三种思路：分类、聚类、降维。 为啥只说应用场景？因为具体模型有很多专业书籍讲的更好，而且我个人认为，模型是固定的，场 景是多变的，知道什么时候该用什么模型，比会用这个模型更重要一些。 那么，接下来正文开始。 一、决策树 定义：机器学习中，决策树是一个预测模型；它代表的是对象属性与对象值之间的一种映射 关系。 个人认为决策树最出名的应用应该是这个： 你们头脑里隐藏的任何念头， 都躲不过魔帽的金睛火眼， 戴上它试一下吧，我会告诉你们， 你们应该分到哪一所学院。 你也许属于格兰芬多， 那里有埋藏在心底的 勇敢 ， 他们的 胆识 、气魄 和豪爽 ， 使格兰芬多出类拔萃； 你也许属于赫奇帕奇， 那里的人 正直 忠诚 ， 赫奇帕奇的学子们 坚忍 诚实， 不畏惧艰辛的劳动； 如果你头脑 精明 ， 或许会进 智慧 的老拉文克劳， 那些睿智 博学 的人， 总会在那里遇见他们的同道； 也许你会进斯莱特林， 也许你在这里交上真诚的朋友， 但那些 狡诈 阴险 之辈却会 不惜一切手段 ， 去达到他们的目的。 分院帽应用的是个非常典型的决策树模型（什么鬼），在上文的《分院帽之歌（节选）》中，我标 粗的每个部分都可以认为是一个特征，帽子往学生头上一扣，读取学生的显著特征，然后分到某个 类别里。所以你看，哈利波特一开始表现出来的特征都是格兰芬多的特征，但他毕竟是个魂器，分 院帽读取数据时候发现这个人有两类显著特征，于是犹豫不决，最后还是波特自己提出了要求，这 就证明应用模型时的人工干预必不可少（大雾）。 言归正传，决策树在实际工作中基本应用于给人群分类，最好的应用场景是要把人群分为互斥的 两类，并找到两类人群的不同特征。当然，分为多个互斥类别也 OK 。 一个非常典型的场景是流失模型，对电信业来说，通过用户的行为来提前找到哪些人有流失风险， 并通过专门优惠等手段挽留，是运营中的重要部分。之前我在转入互联网行业时，第一选择本来是 游戏公司（可惜愿意收的给不起合理工资 …… ），因此研究了一下游戏用户流失模型的内容，发现 跟电信业有相通之处。举个例子，对于某款端游，定义超过一周不登录用户为流失，那么做过的 任务、拿到的装备、打过的副本、充值金额等等，都可以作为预测用特征，比对流失与非流失用户 ，找到两者的区别，在关键流失节点上加一些运营策略来减少流失。 二、 K-means 聚类 定义： k-means 聚类的目的是：把 n个点（可以是样本的一次观察或一个实例）划分到 k个聚 类中，使得每个点都属于离他最近的均值（此即聚类中心）对应的聚类，以之作为聚类的 标准。 K-means 聚类的好处在于样本量大的时候，可以快速分群，但需要在分群后注意每个群体的可解 释性。换句话说，给你一万个人，分成四群，需要能够解释每一群人的突出特征，如果有两群人的 特征很相似，那就要重新分群了；或者有一群人的特征不明显，那就要增加分群了。 聚类与分类不同，分类的目的是得到可复用的规则，使得训练集以外的个体可以直接分到已知的类 别里；聚类属于后验的研究，是对已有个体的辨别。当然聚类可以在一定条件下转化为分类，例 如 K-means 里知道了每类的中心，那么新个体可以依据和每类中心的距离，来判断所属类别。但通 常情况下，聚类方法本身仍是用于研究的次数更多。 K-means 常用的场景是在不清楚用户有几类时，尝试性的将用户进行分类，并根据每类用户的不同 特征，决定下步动作。一个典型的应用场景是 CRM 管理中的数据库营销。举例，对于一个超市 / 电商 网站/综合零售商，可以根据用户的购买行为，将其分为 年轻白领“ ”、 一家三口“ ”、 家有一老“ ”、 ”初 得子女 等等类型，然后通过邮件、短信、推送通知等，向其发起不同的优惠活动。“ 明尼苏达州一家塔吉特门店被客户投诉，一位中年男子指控塔吉特将婴儿产品优惠券寄给他