數據挖掘其實就是為了干這四種事

數據挖掘最重要的要素是分析人員的相關業務知識和思維模式。一般來說，數據挖掘主要側重解決四類問題：分類、聚類、關聯、預測。數據挖掘非常清晰的界定了它所能解決的幾類問題。這是一個高度的歸納，數據挖掘的應用就是把這幾類問題演繹的一個過程。

一、分類問題

分類問題屬于預測性的問題，但是它跟普通預測問題的區別在于其預測的結果是類別（如A、B、C三類）而不是一個具體的數值（如55、65、75……）。

舉個栗子:你和朋友在路上走著，迎面走來一個人，你對朋友說：我猜這個人是個上海人，那么這個問題就屬于分類問題；如果你對朋友說：我猜這個人的年齡在30歲左右，那么這個問題就屬于后面要說到的預測問題。

商業案例中，分類問題可謂是最多的：

給你一個客戶的相關信息，預測一下他未來一段時間是否會離網？

信用度是好/一般/差？是否會使用你的某個產品？

將來會成為你的高/中/低價值的客戶？

是否會響應你的某個促銷活動？

……

有一種很特殊的分類問題，那就是“二分”問題，顯而易見，“二分”問題意味著預測的分類結果只有兩個類：如是/否；好/壞；高/低……；這類問題也稱為0/1問題。之所以說它很特殊，主要是因為解決這類問題時，我們只需關注預測屬于其中一類的概率即可，因為兩個類的概率可以互相推導。如預測X=1的概率為P（X=1），那么X=0的概率P（X=0）=1-P（X=1），這一點是非常重要的。

可能很多人已經在關心數據挖掘方法是怎么預測P（X=1）這個問題的了，其實并不難。解決這類問題的一個大前提就是通過歷史數據的收集，已經明確知道了某些用戶的分類結果。

例如已經收集到了10000個用戶的分類結果，其中7000個是屬于“1”這類；3000個屬于“0”這類。伴隨著收集到分類結果的同時，還收集了這10000個用戶的若干特征（指標、變量）。這樣的數據集一般在數據挖掘中被稱為訓練集，顧名思義，分類預測的規則就是通過這個數據集訓練出來的。

訓練的思路大概是這樣的：對所有已經收集到的特征/變量分別進行分析，尋找與目標0/1變量相關的特征/變量，然后歸納出P（X=1）與篩選出來的相關特征/變量之間的關系（不同方法歸納出來的關系的表達方式是各不相同的，如回歸的方法是通過函數關系式，決策樹方法是通過規則集）。

如需了解細節，請查閱：決策樹、Logistic回歸、判別分析、神經網絡、Chi-square、Gini、……等相關知識。

二、聚類問題

聚類問題不屬于預測性的問題，它主要解決的是把一群對象劃分成若干個組的問題。劃分的依據是聚類問題的核心。所謂“物以類聚，人以群分”，故得名聚類。

聚類問題容易與分類問題混淆，主要是語言表達的原因，因為我們常說這樣的話：“根據客戶的消費行為，我們把客戶分成三個類，第一個類的主要特征是……”，實際上這是一個聚類問題，但是在表達上容易讓我們誤解為這是個分類問題。

分類問題與聚類問題是有本質區別的：分類問題是預測一個未知類別的用戶屬于哪個類別（相當于做單選題），而聚類問題是根據選定的指標，對一群用戶進行劃分（相當于做開放式的論述題），它不屬于預測問題。

聚類問題在商業案例中也是一個非常常見的，例如需要選擇若干個指標（如價值、成本、使用的產品等）對已有的用戶群進行劃分：特征相似的用戶聚為一類，特征不同的用戶分屬于不同的類。

聚類的方法層出不窮，基于用戶間彼此距離的長短來對用戶進行聚類劃分的方法依然是當前最流行的方法。大致的思路是這樣的：

1.首先確定選擇哪些指標對用戶進行聚類；

2.然后在選擇的指標上計算用戶彼此間的距離，距離的計算公式很多，最常用的就是直線距離（把選擇的指標當作維度、用戶在每個指標下都有相應的取值，可以看作多維空間中的一個點，用戶彼此間的距離就可理解為兩者之間的直線距離）；

3.最后聚類方法把彼此距離比較短的用戶聚為一類，類與類之間的距離相對比較長。

如需了解細節，請查閱：聚類分析、系統聚類、K-means聚類、歐氏距離、馬氏距離等知識。

三、關聯問題

說起關聯問題，可能要從“啤酒和尿布”說起了。有人說啤酒和尿布是沃爾瑪超市的一個經典案例，也有人說，是為了宣傳數據挖掘/數據倉庫而編造出來的虛構的“托”。不管如何，“啤酒和尿布”給了我們一個啟示：世界上的萬事萬物都有著千絲萬縷的聯系，我們要善于發現這種關聯。

關聯分析要解決的主要問題是：

一群用戶購買了很多產品之后，哪些產品同時購買的幾率比較高？

買了A產品的同時買哪個產品的幾率比較高？

可能是由于最初關聯分析主要是在超市應用比較廣泛，所以又叫“購物籃分析”，英文簡稱為MBA，當然此MBA非彼MBA,意為Market Basket Analysis。

如果在研究的問題中，一個用戶購買的所有產品假定是同時一次性購買的，分析的重點就是所有用戶購買的產品之間關聯性；如果假定一個用戶購買的產品的時間是不同的，而且分析時需要突出時間先后上的關聯，如先買了什么，然后后買什么？那么這類問題稱之為序列問題，它是關聯問題的一種特殊情況。從某種意義上來說，序列問題也可以按照關聯問題來操作。

關聯分析有三個非常重要的概念，那就是“三度”：支持度、可信度、提升度。假設有10000個人購買了產品，其中購買A產品的人是1000個，購買B產品的人是2000個，AB同時購買的人是800個。

支持度：指的是關聯的產品（假定A產品和B產品關聯）同時購買的人數占總人數的比例，即800/10000=8%，有8%的用戶同時購買了A和B兩個產品；

可信度：指的是在購買了一個產品之后購買另外一個產品的可能性，例如購買了A產品之后購買B產品的可信度=800/1000=80%，即80%的用戶在購買了A產品之后會購買B產品；

提升度：就是在購買A產品這個條件下購買B產品的可能性與沒有這個條件下購買B產品的可能性之比，沒有任何條件下購買B產品可能性=2000/10000=20%，那么提升度=80%/20%=4。

如需了解細節，請查閱：關聯規則、apriror算法中等相關知識。

四、預測問題

此處說的預測問題指的是狹義的預測，并不包含前面闡述的分類問題，因為分類問題也屬于預測。一般來說我們談預測問題主要指預測變量的取值為連續數值型的情況。

例如天氣預報預測明天的氣溫、國家預測下一年度的GDP增長率、電信運營商預測下一年的收入、用戶數等？

預測問題的解決更多的是采用統計學的技術，例如回歸分析和時間序列分析?；貧w分析是一種非常古典而且影響深遠的統計方法，最早是由達爾文的表弟高爾頓在研究生物統計中提出來的方法，它的主要目的是研究目標變量與影響它的若干相關變量之間的關系，通過擬和類似Y=aX1+bX2+……的關系式來揭示變量之間的關系。通過這個關系式，在給定一組X1、X2……的取值之后就可以預測未知的Y值。

相對來說，用于預測問題的回歸分析在商業中的應用要遠遠少于在醫學、心理學、自然科學中的應用。最主要的原因是后者是更偏向于自然科學的理論研究，需要有理論支持的實證分析，而在商業統計分析中，更多的使用描述性統計和報表去揭示過去發生了什么，或者是應用性更強的分類、聚類問題。

如需了解細節，請查閱：一元線性回歸分析、多元線性回歸分析、最小二乘法等相關知識。