What a heck! 终于开始学习数据挖掘实战课程了！！！
Lesson 2 数据挖掘概况
数据挖掘（data mining），指从大量的数据中，通过统计学、人工智能、机器学习等方法，挖掘出未知的，且有价值的信息和知识的过程。
数据挖掘是人们处理商业问题的某些方法，我们通过它来获得有价值的结果
模型
定量：数学公式 e.g. Y = a*X
定性：规则 e.g. (年龄>30岁 and 收入>1万元)
算法
实现数据挖掘技术、模型的具体步骤与方法
Lesson 3 数据挖掘常见问题
从商业角度，需要解决哪些问题？
- 用户流失预测 （分类问题）
- 促销活动响应 （分类问题）
- 目标市场细分 （聚类问题）
- 交叉销售提升 （关联问题）
- 未来销量预测 （预测问题）
分类问题
分类型目标变量（Y） -- 有监督学习
使用已知目标分类的历史样本来训练
需要对未知分类的样本预测所属的分类
常见分类方法：决策树，贝叶斯，KNN, 支持向量机，神经网络，逻辑回归
解决的商业问题：预测用户流失，促销活动响应，用户信用评估
聚类问题
无分类目标变量（Y） -- 无监督学习
物以类聚思想
常见分类方法：划分聚类，层次聚类，密度聚类，网格聚类，基于模型聚类
解决的商业问题：目标市场细分，指定营销发展策略
现有客户细分
关联问题，又称购物篮问题
无目标变量（Y）
基于数据项关联，描述数据项之间的密切程度，识别频繁发生的模式
解决的商业问题：哪些商品同时购买的几率高，如何提高商品销售和交叉销售
预测问题
数值型目标变量（Y）-- 有监督学习
需有已知目标值的历史样本来训练模型
对未知的样本预测其目标值
常见预测方法：简单线性回归分析，多重线性回归分析，时间序列
解决的商业问题：未来气温预测，GDP增长预测，收入、用户数预测
Lesson 4 数据挖掘流程
CRISP-DM数据挖掘方法论
- 商业理解
- 确定商业目标 （商业背景，成功标准）
- 确定挖掘目标 （相关数据统计口径，数据时间窗口成功标准）
- 制定项目方案（项目计划，确定建模工具，选用算法）
- 数据理解
- 数据收集：形成收集报告
- 数据描述：求 均值，最大值，最小值等，形成数据描述报告
- 数据探索：形成直方图
- 质量描述：形成数据质量报告
- 数据准备 （数据宽表，又称一维表）
- 数据导入
- 数据抽取
- 数据清洗（缺失，重复，异常）
- 数据合并 （记录合并，字段合并，字段匹配）
- 变量计算 （求均值，占比，标准化值
- 模型构建
- 准备模型的训练集和验证集
- 选择并使用建模技术和算法
- 建立模型
- 模型对比（调整参数）
- 模型评估
- 技术层面：设计对照组进行比较，评估指标：命中率，覆盖率，提升度
- 业务经验
- 模型部署
- 营销过程跟踪记录
- 观察模型衰退变化
- 引入新的特征优化模型
- 模型写成程序固化到平台
Lesson 5 文本挖掘
语料库 （Corpus）
要分析的所有文档的集合
语料库的构建
构建方法
os.walk(fileDir)
#fileDir是文件夹路径
文件读取
codecs.open(filePath, method, encoding)
#filePath: 文件路径
#method: 打开方式，r, w, rw
#encoding: 文件的编码，中文文件使用UTF-8编码打开
