数据分析（2）学习数据挖掘的最佳路径

• 数据挖掘知识清单
  

一.数据挖掘基本流程- six steps

• 商业理解 - 目的
  挖掘不是目的，帮助业务才是目的，从商业的角度理解项目需求，再开始定义挖掘目的​
• 数据理解 - 初步认知
  收集、探索数据，包含数据描述、数据质量验证等
• 数据准备 - 收集
  清洗、数据集成等准备工作
• 模型建立 - 分类
  利用各种数据挖掘模型，进行优化
• 模型评估 - 商业目标
  对模型进行评价，并检查模型的每个步骤，确认是否实现了预定的商业目标
• 上线发布 - 知识转化成可用方式
  呈现的形式可以是一份报告，也可以是实现一个比较复杂的、可重复的数据挖掘过程。数据挖掘结果如果是日常运营的一部分，那么后续的监控和维护就会变得重要。

二. 数据挖掘十大经典算法
ICDM （the IEEE International Conference on Data Mining）评选，分为四类

• l 分类算法：C4.5，朴素贝叶斯（Naive Bayes），SVM，KNN，Adaboost，CART

• l 聚类算法：K-Means，EM

• l 关联分析：Apriori

• l 连接分析：PageRank

  上面十种算法简介：

1. C4.5

C4.5 算法是得票最高的算法，可以说是十大算法之首。C4.5 是决策树的算法，它创造性地在决策树构造过程中就进行了剪枝，并且可以处理连续的属性，也能对不完整的数据进行处理。它可以说是决策树分类中，具有里程碑式意义的算法。

2. 朴素贝叶斯（Naive Bayes）

朴素贝叶斯模型是基于概率论的原理，它的思想是这样的：对于给出的未知物体想要进行分类，就需要求解在这个未知物体出现的条件下各个类别出现的概率，哪个最大，就认为这个未知物体属于哪个分类。

3. SVM

SVM 的中文叫支持向量机，英文是 Support Vector Machine，简称 SVM。SVM 在训练中建立了一个超平面的分类模型。如果你对超平面不理解，没有关系，我在后面的算法篇会给你进行介绍。

4. KNN

KNN 也叫 K 最近邻算法，英文是 K-Nearest Neighbor。所谓 K 近邻，就是每个样本都可以用它最接近的 K 个邻居来代表。如果一个样本，它的 K 个最接近的邻居都属于分类 A，那么这个样本也属于分类 A。

5. AdaBoost

Adaboost 在训练中建立了一个联合的分类模型。boost 在英文中代表提升的意思，所以 Adaboost 是个构建分类器的提升算法。它可以让我们多个弱的分类器组成一个强的分类器，所以 Adaboost 也是一个常用的分类算法。

6. CART

CART 代表分类和回归树，英文是 Classification and Regression Trees。像英文一样，它构建了两棵树：一棵是分类树，另一个是回归树。和 C4.5 一样，它是一个决策树学习方法。

7. Apriori

Apriori 是一种挖掘关联规则（association rules）的算法，它通过挖掘频繁项集（frequent item sets）来揭示物品之间的关联关系，被广泛应用到商业挖掘和网络安全等领域中。频繁项集是指经常出现在一起的物品的集合，关联规则暗示着两种物品之间可能存在很强的关系。

8. K-Means

K-Means 算法是一个聚类算法。你可以这么理解，最终我想把物体划分成 K 类。假设每个类别里面，都有个“中心点”，即意见领袖，它是这个类别的核心。现在我有一个新点要归类，这时候就只要计算这个新点与 K 个中心点的距离，距离哪个中心点近，就变成了哪个类别。

9. EM

EM 算法也叫最大期望算法，是求参数的最大似然估计的一种方法。原理是这样的：假设我们想要评估参数 A 和参数 B，在开始状态下二者都是未知的，并且知道了 A 的信息就可以得到 B 的信息，反过来知道了 B 也就得到了 A。可以考虑首先赋予 A 某个初值，以此得到 B 的估值，然后从 B 的估值出发，重新估计 A 的取值，这个过程一直持续到收敛为止。

EM 算法经常用于聚类和机器学习领域中。

10. PageRank

PageRank 起源于论文影响力的计算方式，如果一篇文论被引入的次数越多，就代表这篇论文的影响力越强。同样 PageRank 被 Google 创造性地应用到了网页权重的计算中：当一个页面链出的页面越多，说明这个页面的“参考文献”越多，当这个页面被链入的频率越高，说明这个页面被引用的次数越高。基于这个原理，我们可以得到网站的权重划分。

三.数据挖掘的数学原理
概率论和数理统计、线代、等等

• 概率论与数理统计
  条件概率、独立性、随机变量、多维随机变量
• 线代
  向量、矩阵特征值特征向量，以下是基于矩阵的各种运算的解决方法
  • PCA
  • SVD
  • MF
  • NMF
• 图论
  社交网络中，人与人的关系，可以用图论上的两个节点进行连接，节点的度可以理解为一个人的朋友数。图论对于网络结构的分析非常有效，在关系挖掘和图像分割中有重要作用。
• 最优化方法
  相当于机器学习中的自我学习过程，最优化方法就是用更短的时间得到收敛，取得更好的效果