数据挖掘123

数据处理相关工作的经验总结。

 

1，数据分析的目的 提出方案，解决问题。

所以，面对海量数据，先不要着急去分析。大致了解数据构成，内容，字段就可以了。否则，在数据沙漠里行走，不累死，也拖拉致死。

 

2，确定目标后，再筛选数据。选择你需要的数据，过滤掉无效数据（包括去除非必要字段，清洗脏数据，如去重，去空），如果是高手，可以分析出噪声数据，去掉对分析是大大有利的。

       在进一步分析的过程，深入过滤数据，细粒度的对比数据，增加约束条件，在相同条件下对比，屏蔽不同因素造成的影响。比如，细化到不同地域，来分析各个地域的特色，就可以屏蔽掉不同地域特点的影响（包括人文素养，客观设备环境等因素的）。

3，筛选出合适的数据后，对数据集处理，按不同维度区分。划分不同集合，来进行对比。

4，构建合理的模型。因为模型的提出，包含很大的主观性。分析师本身的认知（知识构成）就不同，而观察数据是一种主观意识行为，从不同的角度看同一事物，就会有不同的结论。因此，模型的构建是主观意识形态对客观数据的反射，会存在很多局限性。要正确面对自己的不足，更多的了解分析事务的业务逻辑，面向的对象，数据的成分。这样可以讲不足，通过约束条件进行补充。数据分析定义了心智模型，在定义模型时，要不被自身的不足所引导，被个人习惯和主观意识限制。要客观的面对数据，勇于面对自身不足，详细的调查事务的各方面知识，构建更好的心智模型。

 

5，实验验证，想办法进行实验，客观条件限定，因此要设计小而精的对比实验，如果条件允许，越全面越能反应问题。一定要形成对比，否则实验无意义。但不能过多，无意义的进行实验。实验的目的是验证模型。检验自己提出的理论。最终的目的不能偏离。

6，构建目标函数，通过大量数据，设定目标函数，可以进行判断和预测。给出误差，支持度和可信度是非常重要的。这样，能客观阐述模型的正确性。

 

在数据挖掘过程中，有各种工具，ETL的kettle，数据库软件，weka，schema，和saiku，甚至是excel和R，这些都是非常好的工具，可以方面有效地处理数据。

（1）如果是做过项目的工程师，就会筛选工作。如编辑器用EmEditor，用缓存读入文件，可以显示大数据文件，几十G的。用notepad++打开（20G）容易挂了。

（2）mysql插入，删，改，快，但是查询效率低，尤其是in，基本上G以上的上数据就慢到家了！infiniDB查询效率极快（列式存储），但插入和改很慢。所以我个人使用mysql，维护数据（删改），使用infiniDB做后期呈现。

（3）数据直接呈现，使用saiku最方面，用网络端口访问，通过筛选查到具体的数据部分，关注到局部数据。但具体给客户和需求方提供报表的时候，还是excel做图，样式多，复杂度可以很高，可以从宏观上呈现数据的分布特点（统计量的直观显示，便于理解）。

 

数据挖掘的理论知识也要有一定储备。如，预测如何用多元线性回归模拟函数，或者构建决策树。还logistic函数模型的应用。

数据本身的特点要利用数据挖掘知识，才能有效的发现。如购物篮分析，关联性数据分析。

bayes的使用度非常高，很多理论以这个为基础。从算法的角度，机器学习更重视算法研究过程，而数据挖掘更加重视理论的应用结果

当然，有时间，也可以看看那代价敏感方面的内容，本人研究阶段一直从事这个方面的研究工作，（两个华人大牛，杨强和charles lin（凌晓峰））这个应用性还不是特别强，但从研究角度，还是有非常的推广空间。

 

很多时候，数据过多就是灾难，都是特点，就是没有特点。自身的条件有限，就很难做出又快又有效的推荐。

所以，有时候可以把特点发现，交给数据本身。比如协同过滤，直接让具有共同特性的用户，产生共同特点，归为一类，完成推荐。

亚马逊使用的协同过滤，让分析师不必构建不同模型。直接将购买相同用户，归为同一类，作为共同点，将共同点最多的客户够买其它产品推荐给其他用户。
当然，为了运行效率，你可以看到最简单除暴的推荐： 浏览这个宝贝的用户，也在看这些。。。

互联网，快，是第一位的。好，相对次要。网络客户对等待时间的要求是苛刻的。

 所以，不要手贱的搜索骨灰盒，否则，未来多少天，你的网页推荐的都是骨灰盒。烦了就请cookie吧！否则，天天看，这个小盒，才是你永远的家