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(lái)說(shuō)，數(shù)據(jù)挖掘主要側(cè)重解決四類(lèi)問(wèn)題：分類(lèi)、聚類(lèi)、關(guān)聯(lián)、預(yù)測(cè)。數(shù)據(jù)挖掘非常清晰的界定了它所能解決的幾類(lèi)問(wèn)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(lèi)問(wèn)題演繹的一個(gè)過(guò)程。

一、分類(lèi)問(wèn)題

分類(lèi)問(wèn)題屬于預(yù)測(cè)性的問(wèn)題，但是它跟普通預(yù)測(cè)問(wèn)題的區(qū)別在于其預(yù)測(cè)的結(jié)果是類(lèi)別（如A、B、C三類(lèi)）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(lái)一個(gè)人，你對(duì)朋友說(shuō)：我猜這個(gè)人是個(gè)上海人，那么這個(gè)問(wèn)題就屬于分類(lèi)問(wèn)題；如果你對(duì)朋友說(shuō)：我猜這個(gè)人的年齡在30歲左右，那么這個(gè)問(wèn)題就屬于后面要說(shuō)到的預(yù)測(cè)問(wèn)題。

商業(yè)案例中，分類(lèi)問(wèn)題可謂是最多的：

給你一個(gè)客戶(hù)的相關(guān)信息，預(yù)測(cè)一下他未來(lái)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(lái)會(huì)成為你的高/中/低價(jià)值的客戶(hù)？

是否會(huì)響應(yīng)你的某個(gè)促銷(xiāo)活動(dòng)？

……

有一種很特殊的分類(lèi)問(wèn)題，那就是“二分”問(wèn)題，顯而易見(jiàn)，“二分”問(wèn)題意味著預(yù)測(cè)的分類(lèi)結(jié)果只有兩個(gè)類(lèi)：如是/否；好/壞；高/低……；這類(lèi)問(wèn)題也稱(chēng)為0/1問(wèn)題。之所以說(shuō)它很特殊，主要是因?yàn)榻鉀Q這類(lèi)問(wèn)題時(shí)，我們只需關(guān)注預(yù)測(cè)屬于其中一類(lèi)的概率即可，因?yàn)閮蓚€(gè)類(lèi)的概率可以互相推導(dǎo)。如預(yù)測(cè)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(cè)P（X=1）這個(gè)問(wèn)題的了，其實(shí)并不難。解決這類(lèi)問(wèn)題的一個(gè)大前提就是通過(guò)歷史數(shù)據(jù)的收集，已經(jīng)明確知道了某些用戶(hù)的分類(lèi)結(jié)果。

例如已經(jīng)收集到了10000個(gè)用戶(hù)的分類(lèi)結(jié)果，其中7000個(gè)是屬于“1”這類(lèi)；3000個(gè)屬于“0”這類(lèi)。伴隨著收集到分類(lèi)結(jié)果的同時(shí)，還收集了這10000個(gè)用戶(hù)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(chēng)為訓(xùn)練集，顧名思義，分類(lèi)預(yù)測(cè)的規(guī)則就是通過(guò)這個(gè)數(shù)據(jù)集訓(xùn)練出來(lái)的。

訓(xùn)練的思路大概是這樣的：對(duì)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(lái)的相關(guān)特征/變量之間的關(guān)系（不同方法歸納出來(lái)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(guò)函數(shù)關(guān)系式，決策樹(shù)方法是通過(guò)規(guī)則集）。

如需了解細(xì)節(jié)，請(qǐng)查閱：決策樹(shù)、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(lèi)問(wèn)題

聚類(lèi)問(wèn)題不屬于預(yù)測(cè)性的問(wèn)題，它主要解決的是把一群對(duì)象劃分成若干個(gè)組的問(wèn)題。劃分的依據(jù)是聚類(lèi)問(wèn)題的核心。所謂“物以類(lèi)聚，人以群分”，故得名聚類(lèi)。

聚類(lèi)問(wèn)題容易與分類(lèi)問(wèn)題混淆，主要是語(yǔ)言表達(dá)的原因，因?yàn)槲覀兂Ｕf(shuō)這樣的話(huà)：“根據(jù)客戶(hù)的消費(fèi)行為，我們把客戶(hù)分成三個(gè)類(lèi)，第一個(gè)類(lèi)的主要特征是……”，實(shí)際上這是一個(gè)聚類(lèi)問(wèn)題，但是在表達(dá)上容易讓我們誤解為這是個(gè)分類(lèi)問(wèn)題。

分類(lèi)問(wèn)題與聚類(lèi)問(wèn)題是有本質(zhì)區(qū)別的：分類(lèi)問(wèn)題是預(yù)測(cè)一個(gè)未知類(lèi)別的用戶(hù)屬于哪個(gè)類(lèi)別（相當(dāng)于做單選題），而聚類(lèi)問(wèn)題是根據(jù)選定的指標(biāo)，對(duì)一群用戶(hù)進(jìn)行劃分（相當(dāng)于做開(kāi)放式的論述題），它不屬于預(yù)測(cè)問(wèn)題。

聚類(lèi)問(wèn)題在商業(yè)案例中也是一個(gè)非常常見(jiàn)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(duì)已有的用戶(hù)群進(jìn)行劃分：特征相似的用戶(hù)聚為一類(lèi)，特征不同的用戶(hù)分屬于不同的類(lèi)。

聚類(lèi)的方法層出不窮，基于用戶(hù)間彼此距離的長(zhǎng)短來(lái)對(duì)用戶(hù)進(jìn)行聚類(lèi)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(duì)用戶(hù)進(jìn)行聚類(lèi)；

2.然后在選擇的指標(biāo)上計(jì)算用戶(hù)彼此間的距離，距離的計(jì)算公式很多，最常用的就是直線(xiàn)距離（把選擇的指標(biāo)當(dāng)作維度、用戶(hù)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(hù)彼此間的距離就可理解為兩者之間的直線(xiàn)距離）；

3.最后聚類(lèi)方法把彼此距離比較短的用戶(hù)聚為一類(lèi)，類(lèi)與類(lèi)之間的距離相對(duì)比較長(zhǎng)。

如需了解細(xì)節(jié)，請(qǐng)查閱：聚類(lèi)分析、系統(tǒng)聚類(lèi)、K-means聚類(lèi)、歐氏距離、馬氏距離等知識(shí)。

三、關(guān)聯(lián)問(wèn)題

說(shuō)起關(guān)聯(lián)問(wèn)題，可能要從“啤酒和尿布”說(shuō)起了。有人說(shuō)啤酒和尿布是沃爾瑪超市的一個(gè)經(jīng)典案例，也有人說(shuō)，是為了宣傳數(shù)據(jù)挖掘/數(shù)據(jù)倉(cāng)庫(kù)而編造出來(lái)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(wàn)事萬(wàn)物都有著千絲萬(wàn)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(wèn)題是：

一群用戶(hù)購(gòu)買(mǎi)了很多產(chǎn)品之后，哪些產(chǎn)品同時(shí)購(gòu)買(mǎi)的幾率比較高？

買(mǎi)了A產(chǎn)品的同時(shí)買(mǎi)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(gòu)物籃分析”，英文簡(jiǎn)稱(chēng)為MBA，當(dāng)然此MBA非彼MBA,意為Market Basket Analysis。

如果在研究的問(wèn)題中，一個(gè)用戶(hù)購(gòu)買(mǎi)的所有產(chǎn)品假定是同時(shí)一次性購(gòu)買(mǎi)的，分析的重點(diǎn)就是所有用戶(hù)購(gòu)買(mǎi)的產(chǎn)品之間關(guān)聯(lián)性；如果假定一個(gè)用戶(hù)購(gòu)買(mǎi)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(mǎi)了什么，然后后買(mǎi)什么？那么這類(lèi)問(wèn)題稱(chēng)之為序列問(wèn)題，它是關(guān)聯(lián)問(wèn)題的一種特殊情況。從某種意義上來(lái)說(shuō)，序列問(wèn)題也可以按照關(guān)聯(lián)問(wèn)題來(lái)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(gòu)買(mǎi)了產(chǎn)品，其中購(gòu)買(mǎi)A產(chǎn)品的人是1000個(gè)，購(gòu)買(mǎi)B產(chǎn)品的人是2000個(gè)，AB同時(shí)購(gòu)買(mǎi)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(gòu)買(mǎi)的人數(shù)占總?cè)藬?shù)的比例，即800/10000=8%，有8%的用戶(hù)同時(shí)購(gòu)買(mǎi)了A和B兩個(gè)產(chǎn)品；

可信度：指的是在購(gòu)買(mǎi)了一個(gè)產(chǎn)品之后購(gòu)買(mǎi)另外一個(gè)產(chǎn)品的可能性，例如購(gòu)買(mǎi)了A產(chǎn)品之后購(gòu)買(mǎi)B產(chǎn)品的可信度=800/1000=80%，即80%的用戶(hù)在購(gòu)買(mǎi)了A產(chǎn)品之后會(huì)購(gòu)買(mǎi)B產(chǎn)品；

提升度：就是在購(gòu)買(mǎi)A產(chǎn)品這個(gè)條件下購(gòu)買(mǎi)B產(chǎn)品的可能性與沒(méi)有這個(gè)條件下購(gòu)買(mǎi)B產(chǎn)品的可能性之比，沒(méi)有任何條件下購(gòu)買(mǎi)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(qǐng)查閱：關(guān)聯(lián)規(guī)則、apriror算法中等相關(guān)知識(shí)。

四、預(yù)測(cè)問(wèn)題

此處說(shuō)的預(yù)測(cè)問(wèn)題指的是狹義的預(yù)測(cè)，并不包含前面闡述的分類(lèi)問(wèn)題，因?yàn)榉诸?lèi)問(wèn)題也屬于預(yù)測(cè)。一般來(lái)說(shuō)我們談?lì)A(yù)測(cè)問(wèn)題主要指預(yù)測(cè)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(cè)明天的氣溫、國(guó)家預(yù)測(cè)下一年度的GDP增長(zhǎng)率、電信運(yùn)營(yíng)商預(yù)測(cè)下一年的收入、用戶(hù)數(shù)等？

預(yù)測(cè)問(wèn)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(lái)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(guò)擬和類(lèi)似Y=aX1+bX2+……的關(guān)系式來(lái)揭示變量之間的關(guān)系。通過(guò)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(cè)未知的Y值。

相對(duì)來(lái)說(shuō)，用于預(yù)測(cè)問(wèn)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(guò)去發(fā)生了什么，或者是應(yīng)用性更強(qiáng)的分類(lèi)、聚類(lèi)問(wèn)題。

如需了解細(xì)節(jié)，請(qǐng)查閱：一元線(xiàn)性回歸分析、多元線(xiàn)性回歸分析、最小二乘法等相關(guān)知識(shí)。