《BI那点儿事》数据挖掘的主要方法

原文: 《BI那点儿事》数据挖掘的主要方法

一、回归分析
目的：
设法找出变量间的依存(数量)关系, 用函数关系式表达出来。
所谓回归分析法，是在掌握大量观察数据的基础上，利用数理统计方法建立因变量与自变量之间的回归关系函数表达式（称回归方程式）。
回归分析中，当研究的因果关系只涉及因变量和一个自变量时，叫做一元回归分析；当研究的因果关系涉及因变量和两个或两个以上自变量时，叫做多元回归分析。
此外，回归分析中，又依据描述自变量与因变量之间因果关系的函数表达式是线性的还是非线性的，分为线性回归分析和非线性回归分析。通常线性回归分析法是最基本的分析方法，遇到非线性回归问题可以借助数学手段化为线性回归问题处理。
回归分析法是定量预测方法之一。它依据事物内部因素变化的因果关系来预测事物未来的发展趋势。由于它依据的是事物内部的发展规律，因此这种方法比较精确。测报工作中常用的是一元线性回归和多元线性回归模型。
一元线性回归是指事物发展的自变量与因变量之间是单因素间的简单线性关系，它的模型可以表示为: y=a+bx
其中y是因变量，x是自变量，a是常数，b是回归系数。
多元线性回归是指一个因变量与多个自变量之间的线性关系。模型的一般型式为：
y=a+b1x1+b2x2+…+bnxn
其中，y是因变量，x1、x2、…xn是自变量，a是常数，b1、b2、…bn是回归系数。
logistic回归（logistic regression）是研究因变量为二分类或多分类观察结果与影响因素（自变量）之间关系的一种多变量分析方法，属概率型非线性回归。
logistic回归的分类：
（1）二分类资料logistic回归：因变量为两分类变量的资料，可用非条件logistic回归和条件logistic回归进行分析。非条件logistic回归多用于非配比-对照研究或队列研究资料，条件logistic回归多用于配对或配比资料。
（2）多分类资料logistic回归：因变量为多项分类的资料，可用多项分类logistic回归模型或有序分类logistic回归模型进行分析。

二、分类分析
（1）决策树
决策树方法的起源是概念学习系统CLS，然后发展到ID3方法而为高潮，最后又演化为能处理连续属性的C4.5。有名的决策树方法还有CART和Assistant。 决策树是应用最广的归纳推理算法之一，一种逼近离散值目标函数的方法，对噪声数据有很好的健壮性且能学习析取表达式。
决策树通过把实例从根节点排列到某个叶子节点来分类实例，叶子节点即为实例所属的分类。树上的每一个节点说明了对实例的某个属性的测试，并且该节点的每一个后继分支对应于该属性的一个可能值。
决策树使用的问题：
1）实例是由属性-值对表示的；2）目标函数具有离散的输出值；3）可能需要析取的描述；4）训练数据可以包含错误；5）训练数据可以包含缺少属性值的实例。
决策树属性的选择：构造好的决策树的关键在于如何选择好的逻辑判断或属性。对于同样一组例子，可以有很多决策树能符合这组例子。人们研究出，一般情况下或具有较大概率地说，树越小则树的预测能力越强。要构造尽可能小的决策树，关键在于选择恰当的逻辑判断或属性。由于构造最小的树是NP-难问题，因此只能采取用启发式策略选择好的逻辑判断或属性。
决策树的优点：可以生成可以理解的规则；计算量相对来说不是很大；可以处理连续和离散字段；决策树可以清晰的显示哪些字段比较重要。
决策树的缺点：对连续性的字段比较难预测；当类别太多时，错误可能会增加的比较快；一般的算法分类的时候，只是根据一个属性来分类。；不是全局最优。
（2）人工神经网络
人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。人工神经网络是由人工建立的以有向图为拓扑结构的动态系统，它通过对连续或断续的输入作状态相应而进行信息处理。
人工神经网络的特点:可以充分逼近任意复杂的非线性关系；所有定量或定性的信息都等势分布贮存于网络内的各神经元，故有很强的鲁棒性和容错性；采用并行分布处理方法，使得快速进行大量运算成为可能；可学习和自适应不知道或不确定的系统；能够同时处理定量、定性知识。

三、相关性分析
研究现象A，B之间是的某种依存关系，或者研究变量X，Y之间的相互依存关系的密切程度。就是对总体中确实具有联系的标志进行分析，其主体是对总体中具有因果关系标志的分析。它是描述客观事物相互间关系的密切程度并用适当的统计指标表示出来的过程。例如：在一段时期内出生率随经济水平上升而上升，这说明两指标间是正相关关系；而在另一时期，随着经济水平进一步发展，出现出生率下降的现象，两指标间就是负相关关系。

四、聚类分析
聚类是一个将数据集划分为若干组或类的过程，并使得同一个组内的数据对象具有较高的相似度而不同组中的数据对象是不相似的。相似或者不相似描述的是基于数据描述属性的取值来确定的。通常是利用各对象间的距离来进行表示。
数据挖掘领域的聚类算法有很多种，其中k-means聚类算法是最简单而且非常有效的聚类算法。采用k-means聚类算法对整个用户空间进行聚类的主要步骤如下:
（1）随机选择k个用户作为种子节点，将k个用户对项的评分数据作为初始的聚类中心。
（2）对剩余的用户集合，计算每个用户与k个聚类中心的相似性，将每个用户分配到相似性最高的聚类中。
（3）对新生成的聚类，计算聚类中所有用户对项的平均评分，生成新的聚类中心。
（4）重复以上2到3步，直到聚类不再发生改变为止。
例如：通过分组聚类出具有相似行为的客户，并分析客户的共同特征，可以更好的帮助电子商务的用户了解自己的客户，向客户提供更合适的服务。

五、判别分析
判别分析是按照一定的判别准则，建立一个或多个判别函数，用研究对象的大量资料确定判别函数中的待定系数，并计算判别指标。据此即可确定某一样本属于何类。例如：为了确诊某种疾病，需要将病人的各项检测指标同各种典型的病历做对照，从而判断其最可能属于哪种疾病。

六、主成分分析
设法将原来的变量重新组合成一组新的互相无关的几个综合变量，同时根据实际需要从中可以取出几个较少的总和变量尽可能多地反映原来变量的信息的统计方法叫做主成分分析或称主分量分析，也是数学上处理降维的一种方法。

七、因子分析
根据相关性的大小把变量分组，使得同组内的变量相关性高，不同组变量的相关性较低，然后在每一个组内提炼出一个公因子。
从大量的指标中提取有代表性的共性因子，比如客户忠诚度，满意度等。 主成份分析是寻找一种逼近，能够最大可能的描述数据的变化(variability)。因子分析可以理解为一个隐变量模型。由此可以说，因子分析某种程度上是一个参数模型

八、时间序列分析
根据系统观测得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型的理论和方法。
常用在国民经济宏观控制、区域综合发展规划、企业经营管理、市场潜量预测、气象预报、水文预报、地震前兆预报、农作物病虫灾害预报、环境污染控制、生态平衡、天文学和海洋学等方面。

常见应用以及采用的分析技术：

• 客户流失 （分类模型、Logistic回归算法）
• 用户流失预测（分类模型、神经网络、Logistic回归算法） 
• 购买倾向预测（分类模型、Logistic回归算法） 
• 增量销售预测 （分类模型、Logistic回归算法）
• 客户价值增长预测 （分类模型、Logistic回归算法）
• 竞争对手流失预测 （分类模型、Logistic回归算法）
• 客户级别打分 （分类模型、Logistic回归算法）
• 点击率分析（聚类模型、偏差检测、Logistic回归算法）
• 网站访问行为分析（聚类模型）
• 客户分群 （聚类模型、K-Means算法）
• 购物篮分析 （关联规则）
• 。。。。