机器学习特征分析
机器学习的常规流程
在真正进入机器学习算法之前,数据准备和处理过程会尤为重要,这直接关系到后续模型的效果和最终的业务判决。
数据分析
什么是数据分析
数据分析指对原始数据进行检查、清理、转换及筛选等一系列动作,找到数据对结果的影响关系。
怎么数据分析
数据分析的三板斧:数据对比、数据细分和数据溯源。
- 数据对比:对比是能够看到数据自身以及和其它变量的关系。比如,电商场景中上个月和这个月的用户数量变化,GMV变化;
- 数据细分:系分是指对数据增加维度、降低粒度,便于更好的对比。比如客群,会分为男性、女性,性别下又会有年龄的划分,年龄后还会有职业等等;
- 数据溯源:分析的数据有可能是二手的,得到的信息片面、阉割,所以需要找到一手原始数据,真实反应业务情况。当然,另一种可能是数据本身采集指标不合理,所以需要找到源头;
数据分析的维度
描述性统计指标
- 集中趋势看平均值、中位数和众数
- 离散程度看极差、方差、标准差、离散系数;(极差:样本最大值和最小值的间距; 方差:度量数据离散程度;标准差:反应数据在均值附近的波动;离散系数:标注差和均值的比例)
- 分布形态:正态分布、高斯分布、峰度等;通常,数据处于正态分布情况下,训练越容易收敛,所以会看到数据的归一化处理;
交叉维度
- 相关系数:反应两个变量的相关性;
- 线性回归:回归分析两种或两种以上变量的相互依赖;有一元线性回归和多元线性回归。
概率分布
- 连续性变量正态分布
- 离散性变量伯努利分布、泊松分布
数据分析抽样方式
- 随机抽样
- 分层抽样
- 群体抽样
- 系统抽样
数据与业务关联
数据分析要确定业务目标,根据业务需求制定合理的metrics,因业务和场景而异,本文不做过多赘述;
数据清理与预处理
数据规整
现实中的数据,有的有量纲,比如身高、体重,有的没有量纲,比如性别、职业,不同类型的数据直接给到模型,对模型的精度影响非常大,所以需要对数据做规整,消除量纲差异性;
数据标准化
数据标准化主要是为了将数据按比例缩放,使之落入一个特定的小区间,如0-1之间或者-1到1之间。这样可以消除数据单位对结果的影响,使得不同量级的特征在计算时可以被公平地对待。
数据归一化
归一化的重点在于将数据的范围缩放到一个特定的区间,最常见的是[0, 1]区间。它的主要目标是改变变量的尺度,而不一定要求数据符合特定的分布形态,更多是为了处理特征之间的可比性问题,尤其是在距离度量(如欧氏距离)相关的算法中更为重要。归一化方法是min-max缩放;
异常值监测和分析
异常值分析是检验数据中是否有不合理的数据。注意:数据异常值不一定是错误值
描述统计性分析
如上所述,常见的有min/max/avg/mid等,明显不合理的数据清除或填充处理
Z-Score分析(描述与平均值的距离是标准差的多少倍)
在正态分布下,距离平均值 3之外的值出现的概率为 P(|x-μ|>3σ)<=0.003,属于极个别的小概率事件。如果观测值与平均值的差值超过3倍标准差,那么可以将其视为异常值。
IQR异常监测
四分位点内距(Inter-Quartile Range,IQR),是指在第75个百分点与第25个百分点的差值,或者说,上四分位数与下四分位数之间的差。通常把小于Q1-1.5*IQR和Q3+1.5*IQR的数据视为离群点;
异常值处理
异常值处理有3中模式:删除异常值数据、插补替换异常值和不处理,将异常值视为特殊的类别;
缺失值处理
对于缺失值,通常的处理方式是删除缺失值所在的数据行、填充缺失值、插补缺失值。
业务分析模型
ABTest 最常用的线上业务对比方法;
RFM分析
衡量客户价值和客户创利能力的重要工具和手段。通过细分Recently最近一次消费、Frequency消费频率和Monetary消费金额。
AARRR漏洞分析法,描述产品生命周期中用户的参与行为深度
同期群分析,分析性质完全一样的、可对比群体随时间的变化
对比分析,环比、同比、标准对比等
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.kler.cn/a/297193.html 如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!