三個(gè)常用數(shù)據(jù)分析模型的典型應(yīng)用場(chǎng)景

哪三個(gè)模型呢？決策樹(shù)、K-means聚類(lèi)、因子分析。

為啥是這三個(gè)模型呢？因?yàn)檫@三個(gè)模型分別代表了數(shù)據(jù)分析的三種思路：分類(lèi)，聚類(lèi)，降維。

為啥沒(méi)有回歸？回歸我打算專門(mén)寫(xiě)一篇，因此在本文中暫不涉及。

為啥只說(shuō)應(yīng)用場(chǎng)景？因?yàn)榫唧w模型有很多專業(yè)書(shū)籍講的更好，而且我個(gè)人認(rèn)為，模型是固定的，場(chǎng)景是多變的，知道什么時(shí)候該用什么模型，比會(huì)用這個(gè)模型更重要一些。

那么，接下來(lái)正文開(kāi)始。

一、決策樹(shù)

定義：機(jī)器學(xué)習(xí)中，決策樹(shù)是一個(gè)預(yù)測(cè)模型；它代表的是對(duì)象屬性與對(duì)象值之間的一種映射關(guān)系。

個(gè)人認(rèn)為決策樹(shù)最出名的應(yīng)用應(yīng)該是這個(gè)：

你們頭腦里隱藏的任何念頭，

都躲不過(guò)魔帽的金睛火眼，

戴上它試一下吧，我會(huì)告訴你們，

你們應(yīng)該分到哪一所學(xué)院。

你也許屬于格蘭芬多，

那里有埋藏在心底的勇敢，

他們的膽識(shí)、氣魄和豪爽，

使格蘭芬多出類(lèi)拔萃；

你也許屬于赫奇帕奇，

那里的人正直 忠誠(chéng)，

赫奇帕奇的學(xué)子們堅(jiān)忍誠(chéng)實(shí)，

不畏懼艱辛的勞動(dòng)；

如果你頭腦精明，

或許會(huì)進(jìn)智慧的老拉文克勞，

那些睿智博學(xué)的人，

總會(huì)在那里遇見(jiàn)他們的同道；

也許你會(huì)進(jìn)斯萊特林，

也許你在這里交上真誠(chéng)的朋友，

但那些狡詐 陰險(xiǎn)之輩卻會(huì)不惜一切手段，

去達(dá)到他們的目的。

分院帽應(yīng)用的是個(gè)非常典型的決策樹(shù)模型（什么鬼），在上文的《分院帽之歌（節(jié)選）》中，我標(biāo)粗的每個(gè)部分都可以認(rèn)為是一個(gè)特征，帽子往學(xué)生頭上一扣，讀取學(xué)生的顯著特征，然后分到某個(gè)類(lèi)別里。所以你看，哈利波特一開(kāi)始表現(xiàn)出來(lái)的特征都是格蘭芬多的特征，但他畢竟是個(gè)魂器，分院帽讀取數(shù)據(jù)時(shí)候發(fā)現(xiàn)這個(gè)人有兩類(lèi)顯著特征，于是猶豫不決，最后還是波特自己提出了要求，這就證明應(yīng)用模型時(shí)的人工干預(yù)必不可少（大霧）。

言歸正傳，決策樹(shù)在實(shí)際工作中基本應(yīng)用于給人群分類(lèi)，最好的應(yīng)用場(chǎng)景是要把人群分為互斥的兩類(lèi)，并找到兩類(lèi)人群的不同特征。當(dāng)然，分為多個(gè)互斥類(lèi)別也OK。

一個(gè)非常典型的場(chǎng)景是流失模型，對(duì)電信業(yè)來(lái)說(shuō)，通過(guò)用戶的行為來(lái)提前找到哪些人有流失風(fēng)險(xiǎn)，并通過(guò)專門(mén)優(yōu)惠等手段挽留，是運(yùn)營(yíng)中的重要部分。之前我在轉(zhuǎn)入互聯(lián)網(wǎng)行業(yè)時(shí)，第一選擇本來(lái)是游戲公司（可惜愿意收的給不起合理工資……），因此研究了一下游戲用戶流失模型的內(nèi)容，發(fā)現(xiàn)跟電信業(yè)有相通之處。舉個(gè)例子，對(duì)于某款端游，定義超過(guò)一周不登錄用戶為流失，那么做過(guò)的任務(wù)、拿到的裝備、打過(guò)的副本、充值金額等等，都可以作為預(yù)測(cè)用特征，比對(duì)流失與非流失用戶，找到兩者的區(qū)別，在關(guān)鍵流失節(jié)點(diǎn)上加一些運(yùn)營(yíng)策略來(lái)減少流失。

二、k-means聚類(lèi)

定義：k-means聚類(lèi)的目的是：把n個(gè)點(diǎn)（可以是樣本的一次觀察或一個(gè)實(shí)例）劃分到k個(gè)聚類(lèi)中，使得每個(gè)點(diǎn)都屬于離他最近的均值（此即聚類(lèi)中心）對(duì)應(yīng)的聚類(lèi)，以之作為聚類(lèi)的標(biāo)準(zhǔn)。

K-means聚類(lèi)的好處在于樣本量大的時(shí)候，可以快速分群，但需要在分群后注意每個(gè)群體的可解釋性。換句話說(shuō)，給你一萬(wàn)個(gè)人，分成四群，需要能夠解釋每一群人的突出特征，如果有兩群人的特征很相似，那就要重新分群了；或者有一群人的特征不明顯，那就要增加分群了。

聚類(lèi)與分類(lèi)不同，分類(lèi)的目的是得到可復(fù)用的規(guī)則，使得訓(xùn)練集以外的個(gè)體可以直接分到已知的類(lèi)別里；聚類(lèi)屬于后驗(yàn)的研究，是對(duì)已有個(gè)體的辨別。當(dāng)然聚類(lèi)可以在一定條件下轉(zhuǎn)化為分類(lèi)，例如K-means里知道了每類(lèi)的中心，那么新個(gè)體可以依據(jù)和每類(lèi)中心的距離，來(lái)判斷所屬類(lèi)別。但通常情況下，聚類(lèi)方法本身仍是用于研究的次數(shù)更多。

K-means常用的場(chǎng)景是在不清楚用戶有幾類(lèi)時(shí)，嘗試性的將用戶進(jìn)行分類(lèi)，并根據(jù)每類(lèi)用戶的不同特征，決定下步動(dòng)作。一個(gè)典型的應(yīng)用場(chǎng)景是CRM管理中的數(shù)據(jù)庫(kù)營(yíng)銷(xiāo)。舉例，對(duì)于一個(gè)超市/電商網(wǎng)站/綜合零售商，可以根據(jù)用戶的購(gòu)買(mǎi)行為，將其分為“年輕白領(lǐng)”、“一家三口”、“家有一老”、”初得子女“等等類(lèi)型，然后通過(guò)郵件、短信、推送通知等，向其發(fā)起不同的優(yōu)惠活動(dòng)。

明尼蘇達(dá)州一家塔吉特門(mén)店被客戶投訴，一位中年男子指控塔吉特將嬰兒產(chǎn)品優(yōu)惠券寄給他的女兒——一個(gè)高中生。但沒(méi)多久他卻來(lái)電道歉，因?yàn)榕畠航?jīng)他逼問(wèn)后坦承自己真的懷孕了。塔吉特百貨就是靠著分析用戶所有的購(gòu)物數(shù)據(jù)，然后通過(guò)相關(guān)關(guān)系分析得出事情的真實(shí)狀況。

這個(gè)案例也算是與”啤酒和尿布“知名度差不多的一個(gè)案例。在這個(gè)案例中，那個(gè)高中生少女明顯是被聚到了孕婦那一類(lèi)，因?yàn)樗男袨槟Ｊ脚c孕婦是很相近的。

（決策樹(shù)也可以做這件事，但需要先定義出特征，因此在探索特征未知的領(lǐng)域時(shí)，聚類(lèi)可能更好用一些）

順便說(shuō)一句，我原先在國(guó)企的時(shí)候干的就是這個(gè)事，而且發(fā)送渠道是最土的那種……平信……術(shù)語(yǔ)叫數(shù)據(jù)庫(kù)商函……也叫直復(fù)營(yíng)銷(xiāo)（不是直銷(xiāo)也不是傳銷(xiāo)！）。

三、因子分析

定義：因子分析是指研究從變量群中提取共性因子的統(tǒng)計(jì)技術(shù)。因子分析可在許多變量中找出隱藏的具有代表性的因子。將相同本質(zhì)的變量歸入一個(gè)因子，可減少變量的數(shù)目，還可檢驗(yàn)變量間關(guān)系的假設(shè)。

之前說(shuō)到因子分析是降維的一種方式，而降維歸根結(jié)底就是一句話：變量太多的時(shí)候，需要將變量重構(gòu)成帶有更多信息的新變量，新變量與原始變量之間存在相關(guān)性，這樣才能在不損失太多原始信息的情況下減少變量數(shù)量。

因子分析的一個(gè)典型應(yīng)用場(chǎng)景是滿意度調(diào)查。通過(guò)市場(chǎng)調(diào)研方式獲取消費(fèi)者滿意度時(shí)，通常會(huì)有兩位數(shù)的問(wèn)題來(lái)了解消費(fèi)者對(duì)哪些方面滿意，哪些方面不滿意，這個(gè)時(shí)候因子分析就很重要，可以將消費(fèi)者的問(wèn)題歸結(jié)為相對(duì)較少的幾個(gè)大問(wèn)題方向，同時(shí)也可以看出哪些問(wèn)題更為重要，需要優(yōu)先解決。cda數(shù)據(jù)分析師培訓(xùn)