数据挖掘深刻理解和学习路径

上一篇文章中分享了数据分析的学习全景路径

其中最关键的部分就是数据挖掘，那什么是数据挖掘呢？

数据挖掘就是经过分析采集而来的数据源，从庞大的数据中发现规律，找到宝藏。

 

一，数据挖掘的基本流程

　　数据挖掘可分为6个步骤:

　　　　1.商业理解：数据挖掘不是咱们的目的，咱们的目的是更好地帮助业务，因此第一步咱们要从商业的角度理解项目需求，在这个基础上，再对数据挖掘的目标进行定义。

　　　　2.数据理解：尝试收集部分数据，而后对数据进行探索，包括数据描述、数据质量验证等。这有助于你对收集的数据有个初步的认知。

　　　　3.数据准备：开始收集数据，并对数据进行清洗、数据集成等操做，完成数据挖掘前的准备工做

　　　　4.模型创建：选择和应用各类数据挖掘模型，并进行优化，以便获得更好的分类结果

　　　　5.模型评估：对模型进行评价，并检查构建模型的每一个步骤，确认模型是否实现了预约的商业目标

　　　　6.上线发布:  ：模型的做用是从数据中找到金矿，也就是咱们所说的“知识”，得到的知识须要转化成用户可使用的方式，呈现的形式能够是一份报告，也能够是实现一个比较复杂的、可重复的数据挖掘过程。

　　　　　　　　　　   数据挖掘结果若是是平常运营的一部分，那么后续的监控和维护就会变得重要。

二，数据挖掘的十大算法

　　为了进行数据挖掘任务，数据科学家们提出了各类模型，在众多的数据挖掘模型中，国际权威的学术组织 ICDM （the IEEE International Conference on Data Mining）评选出了十大经典的算法。

按照不一样的目的，我能够将这些算法分红四类，以便你更好的理解。

　　l1. 分类算法：C4.5，朴素贝叶斯（Naive Bayes），SVM，KNN，Adaboost，CART
　　l2.  聚类算法：K-Means，EM
　　l3.  关联分析：Apriori
　　l4.  链接分析：PageRank

　　1. C4.5
　　　　C4.5 算法是得票最高的算法，能够说是十大算法之首。C4.5 是决策树的算法，它创造性地在决策树构造过程当中就进行了剪枝，而且能够处理连续的属性，也能对不完整的数据进行处理。它能够说是决策树分类中，具备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几率论的原理，它的思想是这样的：对于给出的未知物体想要进行分类，就须要求解在这个未知物体出现的条件下各个类别出现的几率，哪一个最大，就认为这个未知物体属于哪一个分类。
　　3. SVM
　　　　SVM 的中文叫支持向量机，英文是 Support Vector Machine，简称 SVM。SVM 在训练中创建了一个超平面的分类模型。若是你对超平面不理解，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，就是每一个样本均可以用它最接近的 K 个邻居来表明。若是一个样本，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 在训练中创建了一个联合的分类模型。boost 在英文中表明提高的意思，因此 Adaboost 是个构建分类器的提高算法。它可让咱们多个弱的分类器组成一个强的分类器，因此 Adaboost 也是一个经常使用的分类算法。
　　6. CART
　　　　CART 表明分类和回归树，英文是 Classification and Regression Trees。像英文同样，它构建了两棵树：一棵是分类树，另外一个是回归树。和 C4.5 同样，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，它经过挖掘频繁项集（frequent item sets）来揭示物品之间的关联关系，被普遍应用到商业挖掘和网络安全等领域中。频繁项集是指常常出如今一块儿的物品的集合，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。你能够这么理解，最终我想把物体划分红 K 类。假设每一个类别里面，都有个“中心点”，即意见领袖，它是这个类别的核心。如今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，距离哪一个中心点近，就变成了哪一个类别。
　　9. EM
　　　　EM 算法也叫最大指望算法，是求参数的最大似然估计的一种方法。原理是这样的：假设咱们想要评估参数 A 和参数 B，在开始状态下两者都是未知的，而且知道了 A 的信息就能够获得 B 的信息，反过来知道了 B 也就获得了 A。能够考虑首先赋予 A 某个初值，以此获得 B 的估值，而后从 B 的估值出发，从新估计 A 的取值，这个过程一直持续到收敛为止。
EM 算法常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，若是一篇文论被引入的次数越多，就表明这篇论文的影响力越强。一样 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，咱们能够获得网站的权重划分。

 

三，数据挖掘的数学原理

说了这么多数据挖掘中的经典算法，可是若是你不了解几率论和数理统计，仍是很难掌握算法的本质；若是你不懂线性代数，就很难理解矩阵和向量运做在数据挖掘中的价值；若是你没有最优化方法的概念，就对迭代收敛理解不深。因此说，想要更深入地理解数据挖掘的方法，就很是有必要了解它后背的数学原理。
　　1. 几率论与数理统计
　　　　几率论在咱们上大学的时候，基本上都学过，不过大学里老师教的内容，偏几率的多一些，统计部分讲得比较少。在数据挖掘里使用到几率论的地方就比较多了。好比条件几率、独立性的概念，以及随机变量、多维随机变量的概念。
　　　　不少算法的本质都与几率论相关，因此说几率论与数理统计是数据挖掘的重要数学基础。
　　2. 线性代数
　　　　向量和矩阵是线性代数中的重要知识点，它被普遍应用到数据挖掘中，好比咱们常常会把对象抽象为矩阵的表示，一幅图像就能够抽象出来是一个矩阵，咱们也常常计算特征值和特征向量，用特征向量来近似表明物体的特征。这个是大数据降维的基本思路。
　　　　基于矩阵的各类运算，以及基于矩阵的理论成熟，能够帮咱们解决不少实际问题，好比 PCA 方法、SVD 方法，以及 MF、NMF 方法等在数据挖掘中都有普遍的应用。
　　3. 图论
　　　　社交网络的兴起，让图论的应用也愈来愈广。人与人的关系，能够用图论上的两个节点来进行链接，节点的度能够理解为一我的的朋友数。咱们都据说过人脉的六度理论，在 Facebook 上被证实平均一我的与另外一我的的链接，只须要 3.57 我的。当然图论对于网络结构的分析很是有效，同时图论也在关系挖掘和图像分割中有重要的做用。

 

　　4. 最优化方法　　　　最优化方法至关于机器学习中自我学习的过程，当机器知道了目标，训练后与结果存在误差就须要迭代调整，那么最优化就是这个调整的过程。通常来讲，这个学习和迭代的过程是漫长、随机的。最优化方法的提出就是用更短的时间获得收敛，取得更好的效果。