數(shù)據(jù)挖掘其實(shí)就是為了干這四種事

數(shù)據(jù)挖掘最重要的要素是分析人員的相關(guān)業(yè)務(wù)知識(shí)和思維模式。一般來說，數(shù)據(jù)挖掘主要側(cè)重解決四類問題：分類、聚類、關(guān)聯(lián)、預(yù)測。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(gè)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(gè)過程。

一、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(gè)具體的數(shù)值（如55、65、75……）。

舉個(gè)栗子:你和朋友在路上走著，迎面走來一個(gè)人，你對朋友說：我猜這個(gè)人是個(gè)上海人，那么這個(gè)問題就屬于分類問題；如果你對朋友說：我猜這個(gè)人的年齡在30歲左右，那么這個(gè)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(gè)客戶的相關(guān)信息，預(yù)測一下他未來一段時(shí)間是否會(huì)離網(wǎng)？

信用度是好/一般/差？是否會(huì)使用你的某個(gè)產(chǎn)品？

將來會(huì)成為你的高/中/低價(jià)值的客戶？

是否會(huì)響應(yīng)你的某個(gè)促銷活動(dòng)？

……

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(gè)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?yàn)榻鉀Q這類問題時(shí)，我們只需關(guān)注預(yù)測屬于其中一類的概率即可，因?yàn)閮蓚€(gè)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(diǎn)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(gè)問題的了，其實(shí)并不難。解決這類問題的一個(gè)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。

例如已經(jīng)收集到了10000個(gè)用戶的分類結(jié)果，其中7000個(gè)是屬于“1”這類；3000個(gè)屬于“0”這類。伴隨著收集到分類結(jié)果的同時(shí)，還收集了這10000個(gè)用戶的若干特征（指標(biāo)、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(gè)數(shù)據(jù)集訓(xùn)練出來的。

訓(xùn)練的思路大概是這樣的：對所有已經(jīng)收集到的特征/變量分別進(jìn)行分析，尋找與目標(biāo)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(dá)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(xì)節(jié)，請查閱：決策樹、Logistic回歸、判別分析、神經(jīng)網(wǎng)絡(luò)、Chi-square、Gini、……等相關(guān)知識(shí)。

二、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(gè)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(dá)的原因，因?yàn)槲覀兂Ｕf這樣的話：“根據(jù)客戶的消費(fèi)行為，我們把客戶分成三個(gè)類，第一個(gè)類的主要特征是……”，實(shí)際上這是一個(gè)聚類問題，但是在表達(dá)上容易讓我們誤解為這是個(gè)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(gè)未知類別的用戶屬于哪個(gè)類別（相當(dāng)于做單選題），而聚類問題是根據(jù)選定的指標(biāo)，對一群用戶進(jìn)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(gè)非常常見的，例如需要選擇若干個(gè)指標(biāo)（如價(jià)值、成本、使用的產(chǎn)品等）對已有的用戶群進(jìn)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(jìn)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：

1.首先確定選擇哪些指標(biāo)對用戶進(jìn)行聚類；

2.然后在選擇的指標(biāo)上計(jì)算用戶彼此間的距離，距離的計(jì)算公式很多，最常用的就是直線距離（把選擇的指標(biāo)當(dāng)作維度、用戶在每個(gè)指標(biāo)下都有相應(yīng)的取值，可以看作多維空間中的一個(gè)點(diǎn)，用戶彼此間的距離就可理解為兩者之間的直線距離）；

3.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(xì)節(jié)，請查閱：聚類分析、系統(tǒng)聚類、K-means聚類、歐氏距離、馬氏距離等知識(shí)。

三、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(gè)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(gè)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(shí)購買的幾率比較高？

買了A產(chǎn)品的同時(shí)買哪個(gè)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Market Basket Analysis。

如果在研究的問題中，一個(gè)用戶購買的所有產(chǎn)品假定是同時(shí)一次性購買的，分析的重點(diǎn)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(gè)用戶購買的產(chǎn)品的時(shí)間是不同的，而且分析時(shí)需要突出時(shí)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(gè)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(gè)人購買了產(chǎn)品，其中購買A產(chǎn)品的人是1000個(gè)，購買B產(chǎn)品的人是2000個(gè)，AB同時(shí)購買的人是800個(gè)。

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(shí)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(shí)購買了A和B兩個(gè)產(chǎn)品；

可信度：指的是在購買了一個(gè)產(chǎn)品之后購買另外一個(gè)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(huì)購買B產(chǎn)品；

提升度：就是在購買A產(chǎn)品這個(gè)條件下購買B產(chǎn)品的可能性與沒有這個(gè)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(xì)節(jié)，請查閱：關(guān)聯(lián)規(guī)則、apriror算法中等相關(guān)知識(shí)。

四、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?yàn)榉诸悊栴}也屬于預(yù)測。一般來說我們談?lì)A(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(bào)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(yùn)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(jì)學(xué)的技術(shù)，例如回歸分析和時(shí)間序列分析?；貧w分析是一種非常古典而且影響深遠(yuǎn)的統(tǒng)計(jì)方法，最早是由達(dá)爾文的表弟高爾頓在研究生物統(tǒng)計(jì)中提出來的方法，它的主要目的是研究目標(biāo)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(gè)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(yuǎn)遠(yuǎn)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(shí)證分析，而在商業(yè)統(tǒng)計(jì)分析中，更多的使用描述性統(tǒng)計(jì)和報(bào)表去揭示過去發(fā)生了什么，或者是應(yīng)用性更強(qiáng)的分類、聚類問題。

如需了解細(xì)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(shí)。