数据挖掘应用开发中的辩证法
数据挖掘应用的开发流程见下图,因为数据挖掘应用整个开发流程是一个探索的过程,所以各个过程之间不是严格分开的。
数据挖掘应用,是数据驱动的应用,不同的用户,因诉求不同,观察同样的数据,理解也不尽相同。在浏览数据时,建议不断问自己:用户是谁?分析的对象是谁?要解决什么问题?只有不断的提醒自己,才能保证分析过程的始终有一条清晰的主轴,这是在分析传统应用时非常不同的地方。传统的应用,需要解决的问题是很清晰的,已具备的条件也是清楚的,缺少的就是设计和实现。
定义问题阶段,具体的问题,可能对最终方案直接产生较大影响的时,解决这个问题,最终的硬件需要多少?譬如:通过信令数据分析手机用户的常驻点行为。一个应用是给公安系统开放接口:输入一个手机号,将指定用户最近的常驻点显示出来。另一个应用是给交通部门开放接口,根据用户群体的行为,规划道路设计。这两类应用,从数据分析角度观察都不大,都是常驻点分析,但从具体的应用观察,系统架构设计完全就不是一回事了。
解决相同的问题,可以有多个模型,不同的模型,对数据格式有不同的要求。数据的预处理过程与模型紧密相关。同样是解决聚类问题的算法,有的算法能够直接处理大、中、小这样的数据类型,有的算法需要大中小转换成 0、1、2这样的数字才能处理。
选择一个模型时,最终的分析结果可能并不理想,这时不能轻易的否定掉这个模型,如果数据预处理不到位,好的模型也会产生不好的结果。反过来,选错了模型,数据预处理模块再怎么努力,效果也不会有本质的提高。对于系统设计人员,除了知道不同的分析模型对应解决的问题,还需要知道每个分析模型适用范围和先决条件。
数据预处理过程还有一个误区,原始的数据总是有残缺的和异常值等现象存在。但从另一个角度思考,水至清则无鱼,异常数据不等于无价值数据。异常数据对数据分析结果肯定有影响,但如果把异常数据都穿上漂亮的衣服,那么有可能就会将数据的本来面目同样隐藏起来了。对异常数据的处理态度,还是与具体的应用有关,如果是分析人员的常驻地点,异常值价值就不大,如果是分析信用卡诈骗的应用,异常值就是价值特别高的数据。
数据预处理,从某种意义说就是一门艺术,是整个数据挖掘过程中最耗时的一个过程。
选择了一个模型,效果好不好,还需要对模型的效果进行验证。模型需要快速的反馈结果。验证模型的过程,是一个反复的过程,期间需要对不同的参数进调整。如果不能快速输出结果,例如每调整一个参数,都需要一天才能看到最终的运行结果,在系统设计过程中,这样的速度是不能接受的。为了能够快速的验证模型,需要对数据进行抽样。抽样过程可以分为广度优先和深度优先两种方式,譬如:通过上网记录分析用户的行为习惯,在选择和验证模型时,不可能对全量数据进行分析。这时,可以选取部分人群进行深层次的分析:选择100个人,分析3年的上网记录。也可以选取全量人员,分析最近一个星期的上网记录。具体采取何种方式,还是与具体的应用相关。
验证模型时,除了从技术方面考虑,还要从考虑成本的可行性。成本可分为直接成本和替代成本。直接成本,就是按照现在的模型投入到生产环境中,最乐观的情况下,需要多少硬件成本和后期维护成本。影响直接成本的因素很多,在相同的模型下,分析精度是影响直接成本的一个重要因素。除了直接成本,还要考虑替代成本。什么是替代成本?举个例子,有个数据分析应用是:分析电信用户账单,找出高价值用户。开发成本100W,硬件成本200W,后期维护需要两个工程师,每年成本50W。对应这样的系统,达到的分析效果,很可能雇佣两个普通职员,采用普通SQL语句和EXCEL表格统计,就能把相同的事情做了。此种场景,替代成本是很低的,系统是没有竞争力。
选定了模型,下面就是部署模型了。部署模型不是简单的将验证过的模型放在生产环境下运行。部署模型,是一个完整的开发流程。验证模型时,为了提高反馈速度,可以不考虑系统的完整性、架构、开发语言、可服务性等等因素。简单说,怎么快就怎么来。不同应用,部署模型的过程不一样。
例一:文本分类器。在验证模型阶段,使用不同的算法对大量的语料进行分析,输出一个模型,然后使用另外一些语料对这个模型进行验证,如果可行,将这个模型部署到生产环境中。此例中,被部署的模型可以使用模型验证阶段相同的技术得到。但是使用这个模型,验证和生产的实现可能完全不一样。在验证阶段,慢慢对文本进行分类问题不大,但在生产环境中,有大量待分类的文本需要处理,效率、并发、接口方式都需要综合考虑了。
例二:通过分析信令信息得到用户的常驻地。此应用,验证模型中的直接产出(如代码)在生产环境中就很难复用。模型验证时,可能使用Python语言编写的公开代码库,在实现时为了效率,可能采用JAVA在Hadoop架构上实现。
部署模型阶段,简单理解就是常规系统的开发过程。
数据分析咨询请扫描二维码
需求持续增长 - 未来数据分析师需求将持续上升,企业对数据驱动决策的依赖加深。 - 预测到2025年,中国将需要高达220万的数据人 ...
2024-11-22《Python数据分析极简入门》 第2节 4 Pandas条件查询 在pandas中,可以使用条件筛选来选择满足特定条件的数据 importpanda ...
2024-11-22数据分析师的工作内容涉及多个方面,主要包括数据的收集、整理、分析和可视化,以支持商业决策和问题解决。以下是数据分析师的一 ...
2024-11-21数据分析师必须掌握的技能可以从多个方面进行归纳和总结。以下是数据分析师需要具备的主要技能: 统计学基础:数据分析师需要 ...
2024-11-21数据分析入门的难易程度因人而异,总体来看,入门并不算特别困难,但需要一定的学习和实践积累。 入门难度:数据分析入门相对 ...
2024-11-21数据分析是一项通过收集、整理和解释数据来发现有用信息的过程,它在现代社会中具有广泛的应用和重要性。数据分析能够帮助人们更 ...
2024-11-21数据分析行业正在迅速发展,随着技术的不断进步和数据量的爆炸式增长,企业对数据分析人才的需求也与日俱增。本文将探讨数据分析 ...
2024-11-21数据分析的常用方法包括多种技术,每种方法都有其特定的应用场景和优势。以下是几种常见的数据分析方法: 对比分析法:通过比 ...
2024-11-21企业数字化转型是指企业利用数字技术对其业务进行改造和升级,以实现提高效率、降低成本、创新业务模式等目标的过程。这一过程不 ...
2024-11-21数据分析作为一个备受追捧的职业领域,吸引着越来越多的女性加入其中。对于女生而言,在选择成为一名数据分析师时,行业选择至关 ...
2024-11-21大数据技术专业主要学习计算机科学、数学、统计学和信息技术等领域的基础理论和技能,旨在培养具备大数据处理、分析和应用能力的 ...
2024-11-21《Python数据分析极简入门》 第2节 3 Pandas数据查看 这里我们创建一个DataFrame命名为df: importnumpyasnpi ...
2024-11-21越老越吃香的行业主要集中在需要长时间经验积累和专业知识的领域。这些行业通常知识更新换代较慢,因此随着年龄的增长,从业者能 ...
2024-11-20数据导入 使用pandas库的read_csv()函数读取CSV文件或使用read_excel()函数读取Excel文件。 支持处理不同格式数据,可指定分隔 ...
2024-11-20大数据与会计专业是一门结合了大数据分析技术和会计财务理论知识的新型复合型学科,旨在培养能够适应现代会计业务新特征的高层次 ...
2024-11-20要成为一名数据分析师,需要掌握一系列硬技能和软技能。以下是成为数据分析师所需的关键技能: 统计学基础 理解基本的统计概念 ...
2024-11-20是的,Python可以用于数据分析。Python在数据分析领域非常流行,因为它拥有丰富的库和工具,能够高效地处理从数据清洗到可视化的 ...
2024-11-20在这个数据驱动的时代,数据分析师的角色变得愈发不可或缺。他们承担着帮助企业从数据中提取有价值信息的责任,而这些信息可以大 ...
2024-11-20数据分析作为现代信息时代的支柱之一,已经成为各行业不可或缺的工具。无论是在商业、科研还是日常决策中,数据分析都扮演着至关 ...
2024-11-20数字化转型已成为当今商业世界的热点话题。它不仅代表着技术的提升,还涉及企业业务流程、组织结构和文化的深层次变革。理解数字 ...
2024-11-20