家用电器用户行为分析与事件识别_家用电器用户行为分析与事件识别学习笔记...
书中介绍太绕，甚至是不清楚的，在此记录一下学习体会！
该例主要讲的是用户洗浴用水事件的识别问题(热水器数据)，归结为0-1分类问题——这是全局观
按分析问题大的步骤：
数据探索性分析——>数据规约——>一次用水事件划分及阈值寻优——>特征工程/属性构造——>筛选洗浴事件(？)——>NN-Model
(？)这一部分，没搞懂作者意图，问题一开始就说是要识别出独立用水事件中的洗浴事件，那到此步骤不就完了，~后面就是为了跑跑模型train-test，blabla~？？？
从该章标题看(？)及之前是家用电器用户行为分析，之后才是事件识别，这样才解释得通
最值得吐槽的是：自己说的数值规约，然而自己实现起来就跟本不存在什么数值规约哦
个人觉得本章最值得学习的点有：
问题的分析思路(先后该做些什么、如何做)，见上面步骤
数据分析处理方法(见下方简要介绍)
特征工程/属性构造(涉及特定问题特定分析，结合问题的关注点，如选取了时长类指标、频率类指标、水量指标、用水变化/波动指标)
筛选洗浴事件方式方法：一次用水事件划分——>候选洗浴事件划分(一次用水量
关于数据分析处理方法，文中介绍甚是模糊，个人理解记录于此：
时间的划分均是基于用水量数据来区分的
一次用水事件划分
阈值寻优
阈值寻优区间1min——9min，step=0.25min=15s
计算原理：
以阈值及对应划分的用水事件数，作图，当n个相邻点斜率值(取最小的斜率对应的阈值，斜率小说明曲线平稳用户习惯比较趋于平稳)
特征工程/ 属性构造
这类问题解构/组合需要经验和对应问题需要，多多学习~~
筛选候选洗浴事件
文中给出的是判定短暂用水事件，将其余的作为候选洗浴事件，可惜的是描述混乱+无代码
关于判定标准，个人感觉非常的主观呀(这里仅摘记文中标准，满足一个就算是短暂，或关系)，希望大神留言讲一讲啊，thx~
一次用水事件总用水(总水量*热水量(%)=纯热水)
用水时长<100s
总用水时长<120s
其中文中y的取值也很有意思，考虑了热水器不同设定温度下热水的使用量阈值y：
由一系列假设，说明当一次洗浴中热水温度越高热水量使用就越少，反之反是；
V表示热水器的水恒50度时洗浴最低用量，X当前水温，C注入的自来水每月平均温度(室温均值)
多层神经网络
1 from keras.models importSequential2 from keras.layers.core importDense,Activation3
4 net =Sequential()5 #net.add(Dense(input_dim = 11, output_dim = 17))#keras 2.0之前版本
6 net.add(Dense(input_dim=11, units=17))#keras 2.0 ,推荐;添加输入层、隐藏层的连接
7 net.add(Activation('relu'))8 net.add(Dense(input_dim=17, units=10))9 net.add(Activation('relu'))10 #model.add(Dense(10, 1)) #添加隐藏层、输出层的连接
11 net.add(Dense(1)) #输出层，同上
12 net.add(Activation('sigmoid'))13 net.compile(loss='binary_crossentropy', optimizer='adam',metrics=['accuracy'])14
15 #net.fit(x_train, y_train,epochs=10,batch_size=1)#keras 2.0之前版本
16 net.fit(x_train, y_train,epochs=1000,batch_size=1,verbose=1)#keras 2.0,推荐,verbose=0，不显示过程，默认等于1显示过程
17 r = pd.DataFrame(model.predict_classes(x_test), columns = [u'预测结果'])18 pd.concat([data_test.iloc[:,:5], r], axis = 1).to_excel(testoutputfile)19 net.predict(x_test)
REF：
《数据分析与挖掘实战》