【第一章 走进数据科学】袁博《数据挖掘：理论与算法》
目录
1 整装待发
1、数据挖掘的前提和基础：Technology Advancement
2、DRIP：Data Rich，Information Poor
2 学而不思则罔
1、学习资源
2、数据挖掘（Data Mining）是一个多学科交叉领域
3、数据挖掘（Data Mining）无所不在
3 知行合一
1、Data（数据）
2、Big Data（大数据）
3、实际应用
4 从数据到知识
1、Open Data（开放数据）
2、Data Mining（DM，数据挖掘）
3、从数据（Data）到智能（Intelligence）
4、流程
5、业界应用（商用数据分析软件）
5 分类问题（Classification）
1、什么是分类问题？
2、Classification Boundaries（分界面）
3、Overfitting（过学习）
4、Cross Validation（交叉验证）
5、Confusion Matrix（混淆矩阵）
6、Receiver Operating Characteristic（ROC曲线）
7、Cost Sensitive Learning（代价敏感分类问题）
8、Lift Analysis（评价模型实际使用中的效能）
6 聚类及其他数据挖掘问题
1、聚类（Clustering）
2、关联规则（Association Rule）
3、回归（Regression）
4、Seeing is Knowing（所见即所得）
5、Data Preprocessing（数据预处理）
7 隐私保护与并行计算
1、隐私保护（Privacy Protection）
2、云计算（Cloud Computing）
3、并行计算（Parallel Computing）
4、宏观上，数据挖掘该怎么做？
5、No Free Lunch（没有免费的午餐）
8 迷雾重重
1、Case Study
2、相关
3、Survivorship Bias（幸存者偏差）
4、解决实际问题时不能单向思维
9 单元补充
1 整装待发
1、数据挖掘的前提和基础：Technology Advancement
-
Data Storage 存储数据的能力
-
Computation capacity 处理加工数据的能力
2、DRIP：Data Rich，Information Poor
现实生活中普遍存在的“数据充沛而信息不足”的问题，原因在于对原始数据没有进行必要的处理和分析，没有发挥出其应有的价值。
2 学而不思则罔
1、学习资源
（1）经典教材：
（2） 国际会议：
- ICDM：International Conference on Data Mining
Welcome to ICDM: IEEE International Conference on Data Mining!
IEEE International Conference on Data Mining 2021 (ICDM2021) | IEEE ICDM 2021
https://ieeexplore.ieee.org/xpl/conhome/1000179/all-proceedings
- ICDE：International Conference on Data Engineering
ICDE 2022 – 38th IEEE International Conference on Data Engineering
https://ieeexplore.ieee.org/xpl/conhome/1000178/all-proceedings
- ICML：International Conference on Machine Learning
2022 Conference
- IJCAI：International Joint Conference on Artificial Intelligence
Welcome to IJCAI | IJCAI
- PAKDD：Pacific-Asia Conference on Knowledge Discovery and Data Mining
Home - Pacific Asia Conference on Knowledge Discovery and Data Mining
PAKDD 2022
Pacific-Asia Conference on Knowledge Discovery and Data Mining | SpringerLink
- SIGKDD：ACM SIGKDD Conference on Knowledge Discovery and Data Mining
SIGKDD
SIGKDD - Home
http://dbgroup.cs.tsinghua.edu.cn/wangjy/KDD4CCF.pdf
（3）期刊：
- IEEE Transactions on Neural Networks and Learning Systems
- IEEE Transactions on Knowledge and Data Engineering（TKDE）
（4）协会：
（左）计算智能协会；（右）计算机协会
（5）知名学者：
- 吴信东：ICDM创始人之一
吴信东 - 搜狗百科
吴信东 - 搜狗学术
- 周志华：南大教授
周志华 - 搜狗百科
- 韩家炜：Data Mining: Concepts and Techniques （数据挖掘：概念与技术）
——数据挖掘界公认的经典教材作者之一
韩家炜 - 搜狗百科
- 裴健：TKDE主编
裴健 - 搜狗百科
- 杨强：华为诺亚方舟实验室的创始主任，香港科技大学教授
杨强 - 搜狗百科
- Chih-Jen Lin：LibSVM软件
LIBSVM -- A Library for Support Vector Machines
支持向量机SVM工具包LIBSVM的安装和测试 - 知乎
- Philip S.Yu：清华大学数据研究院 院长
Professor Philip S. Yu's Homepage
https://scholar.google.com/citations?user=D0lL1r0AAAAJ&hl=zh-CN
- 张长水：清华大学自动化系 教授
张长水 -清华大学自动化系
（6）互联网资源：
- Google Scholar
-
Wikipedia
-
UCI Machine Learning Repository（有很多数据集）
-
The Data Platform for AI | WEKA（开源数据挖掘软件）
- MATLAB & Simulink - MathWorks（数据挖掘相关软件包，如神经网络）
-
KDnuggets: Machine Learning, Data Science, Big Data ...（数据挖掘网站，有大量关于论文、数据、工作等方面信息）
2、数据挖掘（Data Mining）是一个多学科交叉领域
- 机器学习 Machine Learning
- 模式识别 Pattern Recognition
- 统计学 Statistics
- 人工智能 Artificial Intelligence
3、数据挖掘（Data Mining）无所不在
- 商务智能 Business Intelligence（BI）
- 数据分析 Data Analytics
- 大数据 Big Data
- 决策支持 Decision Support
- 客户关系管理 Customer Relationship Management（CRM）
3 知行合一
1、Data（数据）
（1）定义：定量或定性的属性值，是最底层的表现形式，数据做一些处理后称之为信息
（2）类型：
- 连续型（如身高、体重）
- 二进制（二值型，0/1，如婚否）
（3）存储：
- 物理层：所有的数据（声音、图像、文字）在磁盘上存储的时候，都是01这样存储的（串型/顺序存储）
- 逻辑型：数据库中是一个二维表、数据仓库有立方体、星型、网络型结构等
（4）主要问题：
在实际数据分析工作中，面临的主要挑战有：
- 数据类型转换
- 数据自身的错误
2、Big Data（大数据）
（1）定义：
- Gartner：数据量大（high-volume）、产生速度快（high-velocity）、数据类型多（high-variety）
- 麦肯锡：超过传统意义上数据库、数据存储技术、数据处理技术能力的数据
（2）特点：
- 数据量 Volume：从 TB 到 ZB
- 数据类型 Variety：从结构化数据（数据）到非结构化数据（文本、声音、图像、视频）
- 数据产生的速度 Velocity：从堆（Batch）到流（Streaming）
3、实际应用
（1）公共安全：根据犯罪历史记录，把不同犯罪类型标注在地图上，同时还标注警察局的位置。通过可视化，更加直观地看到犯罪发生的规律、挖掘犯罪的模式，以达到预防犯罪、减少犯罪发生的目的
（2）医疗保健：分析人类基因组，根据基因不同把人进行分组，给不同组的人不同的药物和治疗方式（哪怕得的病相同），以达到对症下药的目的
（3）地理位置数据（Location Data）：
- 城市规划：如交通信息
- 移动用户：APP或智能装备的定位
- 购物：每一个购物车上都有RFID标签，当一个人购物时，他的所有轨迹信息都被记录下来，甚至可以记录某一个顾客在某一个货架前停留的时间、只是浏览还是实际购买了。或者统计商场每一层每一个区域的人数，预防拥挤踩踏
Q：在超市环境中对客户位置轨迹进行记录和分析的主要目的有：
- 对拥挤人群进行预警
- 优化商场布局
- 个性化营销
（4）零售业：
- 精准营销（Targeted Marketing）：对客户进行精准画像（目标客户），有针对性地推荐商品
- 情感分析（Sentiment Analysis）：用户购物后的评论，识别其情感
（5）社交网络（Social Networks）：找到其中的group、有影响力的人（关键意见领袖KOL）
（6）点球成金（MoneyBall）：
- 棒球
- 数据分析技术，可以更加全面衡量地每一个球员真正的价值，用这种方法挑选球员
（7）Attractiveness Mining：非诚勿扰
- 每一个女嘉宾的信息（年龄、城市、工作信息、要不要孩子、是否跟父母一起住）
- 颜值数字化：人脸识别、模式识别——脸的形状、眼睛的大小等
- 评价指标：心动女生
- 回归（Logistic Regression）
4 从数据到知识
1、Open Data（开放数据）
数据很多时候都是在政府部门手里，很难将这些数据获取并打通，形成了所谓的“数据孤岛” 现象，每一个小岛上有一个服务器
公开数据有两个层面的含义：
- 法律上（Legally）公开：数据是允许别人访问的，而不是以抓取的方式
- 技术上（Technically）公开：数据易获取，政府部门应将数据以标准数据格式（如Excel）公开
可以下载公开数据的网址：
开放政府数据
2、Data Mining（DM，数据挖掘）
（1）定义
- 数据挖掘是一个自动的过程：从大量的（massive）、不完整的（incomplete）、有噪声的（noisy）数据中，提取有趣的（interesting）、有用的（useful）、隐含的（hidden）模式
Q：理想的数据挖掘工作成果应当：interesting、useful、hidden
- 数据挖掘不是一个全自动的过程：需要人为交互（如挑选属性、解释等），尤其是在数据的获取和预处理过程中
- 近义词：Knowledge Discovery（知识发现）
（2）数据挖掘的重要性
数据现在变得越来越多、越来越廉价，要学习与数据分析相关的技术
- 数据库
- 机器学习
- 统计学
- 可视化
（3）在商务智能（Business Intelligence，BI）领域的应用
- Decision Making（决策）
- Customer Segmentation（客户群划分）、识别风险客户（如欺诈客户）、识别VIP客户（保留，不能流失）
- 预测企业的发展或危险（提前预警）
3、从数据（Data）到智能（Intelligence）
- Data：最底层，传感器采集
- Information：数据经过处理称为信息，数据本身可能会有很多冗余或错误，信息是在数据层面之上的
- Knowledge：信息通过数据挖掘称为知识
- Decision Making：知识加上领域模型，就成为可以帮助认为进行决策的商务智能方面的模型
4、流程
（1）业界数据挖掘的流程：
通常数据是存放在不同数据源当中的（如文本文件、CRM系统、ERP系统、数据库），要把所有数据进行融合（ETL：Extraction提取、Transformation转换、Loading装载），然后装在数据仓库当中（有源数据、真实数据），再在这些数据上做分析
Q：ETL系统的主要作用包括：数据提取、数据转换、数据装载
（2）抽象层面数据挖掘的流程：
定义问题—采集数据—数据准备—建模（分类、预测、回归等等）—解释或评价结果（若结果准确度不够高，还要反馈回去）—实施/应用（若有问题也需要反馈）
类似软件工程开发时的瀑布模型
5、业界应用（商用数据分析软件）
- IBM SPSS：可视化建模工具（神经网络、决策树、时间序列分析、分类器）
- SAP Predictive Analysis 1.0：数据分析软件
- Oracle Data Miner
5 分类问题（Classification）
1、什么是分类问题？
数据挖掘中的第一类算法
（1）形式化定义：给一些训练集（有属性、标签），训练出一个模型，再来一个未知的物体，可以预测它是什么样
（2）算法：
- 决策树（Decision Trees）
- KNN（K-Nearest Neighbors）
- 神经网络（Neural Networks）
- 支持向量机（Support Vector Machines）
（3）应用：
- 医学诊断（根据体检报告预测有病还是没病、肿瘤是恶性还是良性）
- 预测客户是否会流失
2、Classification Boundaries（分界面）
分界面可以是一条直线或一条曲线，或多个曲线围成的区域，其本质就是对空间的划分，因为每一个 item 或 object 都量化成了 n 维空间的一个点
横坐标：收入
纵坐标：存款
预测贷款风险高低
无法用一根线区分开圆圈和三角
3、Overfitting（过学习）
可以生成不同的分类器，对应不同的分类面
绿色的分类器：所有点都分类正确，但没有形成一个合理的分界面
黑色的分类器：有分错的，但是是 平滑的曲线，更优
并不是分类器在训练样本上的学习误差越低越好
4、Cross Validation（交叉验证）
数据是要分成两部分的
- 训练集（Training Set）：生成模型
- 测试集（Test Set）：校验模型
5、Confusion Matrix（混淆矩阵）
假设是两分类问题：一类叫正类（Positive），一类叫负类（Negative）
- 每一个样本本身是有自己的真实的标签的
- 模型对样本又打了一个标签
这两个标签可能是不一致的
6、Receiver Operating Characteristic（ROC曲线）
男人、女人和身高
横坐标为身高，两个高斯分别代表男人和女人（ 通常来说男人的身高是比女人高的，但不可能用身高去绝对区别男人和女人），中间这条线代表了阈值（threshold）
- 若阈值设置的过低，则TP为100%（所有男人都被判断成男人），但FP也是100%（所有女人也都被判断成男人）
- 反之，若阈值设置的过高，则TP为0（所有男人都会被误判为女人），FP也为0（所有女人都会被正确地判断成女人）
Random guess对应的是50%，即不考虑属性，随意乱猜的结果
如何衡量这条曲线好还是不好？
AUC（Area Under Curve）：性能指标，即曲线下的面积，上限为1，越接近于1越好
在ROC分析中，分类器的性能曲线的理想状态是：越靠上越好（AUC趋近于1）
7、Cost Sensitive Learning（代价敏感分类问题）
实际中，问题是带权重的，两种错误的代价成本是不同的，要寻找 balance 或 trade-off
如：把一个有病的人误判为没病 VS 把一个没病的人误判为有病 哪种危害更大？
Q：以下最有可能涉及代价敏感分类问题的是？
区分猫狗图片 社交网络好友推荐 手写体识别 银行信用卡评分模型
8、Lift Analysis（评价模型实际使用中的效能）
市场营销中会用到
例1：假设100个人里，真正会购买产品的只有8个人（先验是8%），如果一个一个打电话推销，比较低效。随机挑10%，8个人中的10%会被挑中
对用户进行建模，假设模型能把用户接受产品的概率计算出来并排序，把最有可能购买产品的前10%的用户放在前面，这前10%的用户里可能就包含了真正购买产品的将近40%的客户
Lift（提升度，即用了模型和不用模型的差异）：40% / 10% = 4
例2：Overall Response Rate = 8%，平均下来随机挑100个人，有8个人会买产品
经过打分排序，前10%的人中有29%的人都会买产品
浓缩的过程
Q：假设目标客户占人群的5%，现根据用户模型进行打分排序，取1000名潜在客户中排名前10%的客户，发现其中包含25名目标客户，问此模型在10%处的提升度是？
目标客户占人群的5%，有1000名潜在客户 ——> 目标客户有1000×5%=50人
而现在采用模型之后，发现了25名目标客户，占全体目标客户总数的一半（50%）
故提升度为 50% / 10% = 5
6 聚类及其他数据挖掘问题
1、聚类（Clustering）
（1）定义：给一堆 items（无事先人为的标签），分 group，同一个 group 里的数据是比较相似的，不同 group 之间数据差异比较大
- 分类（Classification）是Supervised Learning（有监督学习）
- 聚类（Clustering）是Unsupervised Learning（无监督学习）
Q：聚类和分类的主要区别在于：数据有无标签
（2）如何衡量两个点距离远近或是否相似？——距离度量（Distance Metrics）
- 欧氏距离（Euclidean Distance）
- 曼哈顿距离（Manhattan Distance）
- 马氏距离（Mahalanobis Distance）
（3）算法：
- K-Means
- Sequential Leader
- Affinity Propagation
（4）应用：
- 客户划分（Market Research）
- 图像分割（Image Segmentation）
- 社交网络分析（Social Network Analysis）
例1：每个圈都代表一个group，group里的样本离得近，group之间的样本离得远
例2：层次型聚类（Hierarchical Clustering）
适用场景：不易区分两个样本的远近，取决于从哪个层面去看时
最上一层是一个一个单独的elements，两两聚类，最终聚成一个cluster
2、关联规则（Association Rule）
商店购物时，每个人都会买很多商品，形成transaction（购物小票）
购物记录形式化处理后就是一张二维表
要从中发掘哪些物品经常会被同时购买，或买了什么东西的人，会比较可能去买其他的一种或多种商品
例：{Milk，Bread} => {Butter}
1表示购买了，0表示没有购买
3、回归（Regression）
（1）线性回归不是只能拟合出直线，如多项式就会拟合出曲线。以上举的例子都是线性回归
线性是指参数与变量之间是线性的，即β乘以x是线性的，而不是最终的表达是线性的
Q：判断 — 线性回归模型由于自身局限性只能描述变量间的线性关系 错误
应是参数与变量间
（2）回归也有overfitting（过学习）的问题
（左）模型不够强大，误差很高，数据不是线性的，不能用一根线来描述
（中）最优
（右）误差为0，但过学习了
4、Seeing is Knowing（所见即所得）
表达高维数据或不同形式数据之间的相互关系
- 分析数据前先做可视化，再判断用什么样的算法应用在数据上建模
- 数据挖掘完成后，模型有输出，输出的结果同样可以可视化，便于解释结果
Performance Dashboard（仪表板）
可视化软件：
5、Data Preprocessing（数据预处理）
实际数据挖掘中，最麻烦、最有挑战性的部分是数据预处理的部分，数据是dirty的
（1）典型问题
- 缺失，采集不全
- 填的值不正确（如年龄填了负值）
GIGO：Garbage In Garbage Out
（2）数据质量
- 准确性 Accuracy
- 完备性 Completeness
- 一致性 Consistency
- 可解释性 Interpretability
- 可信性 Credibility
- 时效性 Timeliness
数据清洗（Cleaning）：缺失值填充、修改不一致的值
数据集成（Integration）：结合不同来源的数据
数据转换（Transformation）：标准化、类型转换
数据约简（Reduction）：特征选择（Feature Selection）、采样（Sampling）
7 隐私保护与并行计算
以前：没有人知道你在互联网上是条狗 
现在：知道什么样的狗在上网、旁边有什么样的狗
1、隐私保护（Privacy Protection）
给用户发放调查问卷来采集数据，怎样既保护用户的隐私，又得到想要的数据呢？
Q：如何才能最有效地采集到用户可能不愿公开提供的信息？ 随机问卷题目
（1）思路：收集问卷的人不知道每一个受访者的答案，但是知道所有问卷收集上来之后的比例。即：只需知道比例，不用具体到某一个人
（2）例子：
- 若问题为 “你吸过大麻吗？” ，回答为 Yes 或 No 受访者通常都会填No
- 设计两个问题：第一个问题“我吸大麻”，第二个问题“我不吸大麻”
受访者只需回答一个问题（一定概率，如概率p回答问题1，概率1-p回答问题2）。收集问卷的人并不知道特定的受访者回答的是哪个问题，是随机的 - 假设收上来的问卷中，有20%的人写了True，但并不知道是哪个问题回答True
回答True的概率 = 真正吸大麻的人 P（True）× 选择回答第一个问题的概率 + 不吸大麻 × 选择回答第二个问题的概率
变换后便得到人群中真实吸大麻的人的比例
Q：判断— 在隐私保护的问卷调查中，针对两个互补问题，用户也可用Yes/No回答，与用True/False本质上一样 错误
2、云计算（Cloud Computing）
（1）背景：用户对服务器访问的需求是随时间的变化而变化的
（左）阴影部分：浪费
（2）定义： 把计算（如服务器）当做一种资源，不用自己去购买大量的服务器，而是从云计算提供商那里租服务器（虚拟）
- 软硬件 ——> 服务（新模式）
- 可以随时调整，对资源的利用率高（PAYG：Pay As You Go —— 云计算的核心特征）
SAAS：Software as a Service 软件即服务
PAAS：Platform as a Service 平台即服务
IAAS：Infrastructure as a Service 基础设施即服务
3、并行计算（Parallel Computing）
（1）串行计算的思想：愚公移山
（2）并行计算：把问题进行切分，分配到不同的处理器上（例：人多力量大、众人划桨开大船）
（3）GPU（图形显示卡）：3D渲染/图形图像/游戏/科学计算
- GPU作为高性能计算设备的优点：低成本、高计算密度、安装便捷
- 目前GPU依然需要与CPU协同工作，共同组成异构计算平台
4、宏观上，数据挖掘该怎么做？
数据 + 模型/算法 + 高性能计算（计算平台）----> 实现数据的价值
需要三方面的共同协作，缺一不可
Q：有效的数据挖掘工作需要高质量的数据、合适的算法模型、强悍的计算平台、丰富的领域知识的支持
5、No Free Lunch（没有免费的午餐）
- 没有最好的算法，算法的参数也没有最好的，都是因问题而不同
- 需要经验，以及不断尝试，还需要考虑很多因素，取决于目的，如需要结果有可解释性，则选择决策树（if-then规则，可解释性好）而不是神经网络（可解释性差）
- 先用简单的方法
8 迷雾重重
1、Case Study
例1：是否可以用数据挖掘的方法预测股市？
金融大数据量化交易：克服交易者本身性格上的缺陷
短期股票价格波动难以精准预测的主要原因：股票价格是诸多外部因素共同作用的结果，而这些因素（模型的输入）往往很难被事先准确衡量
例2：彩票中奖号码是随机生成的，无法预测
数据挖掘不创造规律，只发掘规律
2、相关
（1）Grouping
X与Y之间是 负相关关系，X增大，Y减小
换一个角度看问题：
把数据分个组，分为Group A和Group B，此时X和Y变为正相关了 
不能宏观的看问题，因为数据可能有内在分组的特性
（2）因果
暴力游戏销量与美国犯罪率的关系：随着暴力游戏销量的增加，美国的犯罪率是减少的
两条曲线有一定的相关性，跟它们之间的因果是很难划等号的（不能说一个导致/促进了一个）
（3）心理因素（人们内心的倾向性）
一个人的身高与他在商业上的成功有无关系？
知名企业CEO中身材高大者比例>平均水平，这是因为：身材高大者容易树立威信
3、Survivorship Bias（幸存者偏差）
轰炸机在哪里加装甲？
- 在中弹密集的地方（翅膀、尾巴） ×
- 在要害部位（油箱、发动机、驾驶舱） √
能看到这些飞机的前提是：能飞回来（虽然中弹累累），坠毁的飞机是看不到的
虽然翅膀等地方中弹密集，但是还能飞回来，说明不是致命的
看到的样本本身就是有偏差的，是能飞回来的，而不是那些受到致命伤的
100架轰炸机中弹的分布图
4、解决实际问题时不能单向思维
从相同的数据中，可能得到完全不同的结论
看问题一定要全面，从不同层次、不同角度综合考虑，不能以偏概全
例1：
横坐标：天猫上每一家店铺（都是卖格力）的营业额纵坐标：有多少个商家在卖
随着店铺数量的增加，每一家的营业额也越来越大（X与Y正相关，蓬勃发展的市场）
反过来看：在天猫上卖格力电器的店越来越少，每一家店的营业额也越来越少（夕阳产业）
为什么？ ——> 缺少时间维度，不知道数据是从左往右看，还是从右往左看
例2：
天猫上卖九阳的越来越多，每一家店的营业额越来越少（市场很饱和，竞争惨烈）
反过来看：从左往右看，随着店铺数量越来越少，每一家的营业额越来越多（经过大浪淘沙，服务不好的被淘汰掉了，是一个健康稳定的市场）
为什么？ ——> 缺少时间维度，不知道数据是从左往右看，还是从右往左看
例3：
- 三根木板 or 四根木板？
- 盲人摸象的错误
- 爱因斯坦？玛丽莲梦露？
9 单元补充
针对数据挖掘领域，观点正确：You cannot be too careful！（你越小心越好）
数据的被遗忘权主要指的是：我有权要求搜索引擎删除过时的和自己有关的搜索结果
数据的可携带性指的是：公民享有要求服务商提供个人数据迁移便利的权利
两个变量X和Y呈现负相关性，说明：Nothing
利用大数据分析技术进行预防犯罪：可针对群体进行防范，但不宜针对个人