很可惜 T 。T 您现在还不是作者身份，不能自主发稿哦～
如有投稿需求，请把文章发送到邮箱tougao@appcpx.com，一经录用会有专人和您联系
咨询如何成为春羽作者请联系：鸟哥笔记小羽毛（ngbjxym）
作为商业分析师，或多或少听过机器学习。你每天都在用它的产品，比如"猜你喜欢"、"预估配送时间"、"智能客服"等都是机器学习的具体应用。
今天我们就来聊聊最常用的三大类算法，以及使用机器学习时的两个关键注意事项。
不用担心，我会用最接地气的方式，让你轻松理解这些概念。
1. 分类算法：预测"是或否"
想象一下，你是音乐APP的产品经理，每天面对海量的音乐数据，如何精准预测用户会喜欢哪些歌？
这就是一个典型的分类问题。
分类算法就像一个"是非题"，它的答案永远是确定的选项，比如"会喜欢/不会喜欢"，"是/否"，"A/B/C"等。
最常用的分类算法有：
决策树：就像是玩20个问题的游戏。比如：这首歌的风格是民谣吗？用户最近听过这个歌手的歌吗？用户是否经常在晚上听这类音乐？通过一系列问题，最终得出"用户可能会喜欢这首歌"的结论。决策树的优势在于可解释性强，你可以清晰地看到每个决策的依据。
随机森林：这个听起来很高大上，其实就是找100个人（100棵决策树）一起决策，少数服从多数。每个决策树都独立判断，互不干扰，最后投票决定。这样做的好处是，能够避免单个决策树的偏见，提高预测准确性。就像在公司做决策，集思广益总比一个人拍板要靠谱。
在商业分析中，分类算法的应用无处不在：
预测用户流失：通过分析用户的使用频率、最近登录时间、消费金额变化等特征，预测哪些用户可能会流失。这样我们就能提前对这些用户进行针对性的营销挽留。
欺诈检测：在金融领域，通过分析交易时间、金额、频率、地点等特征，判断一笔交易是否可能是欺诈。
商品推荐：结合用户的历史浏览、购买记录，以及商品的类别、价格等信息，预测用户是否会对某个商品感兴趣。
举个实际的例子：某电商平台想预测用户是否会在未来30天内购买某个商品。他们可能会考虑这些特征：
用户最近30天的浏览次数
用户是否将商品加入购物车
用户历史购买同类商品的频率
用户的客单价水平
商品的折扣力度
商品的库存状态
用户是否是会员
通过训练分类模型，就能得到一个预测结果："该用户有87%的概率会在未来30天内购买这个商品"。
2. 回归算法：预测具体数值
如果说分类算法是选择题，那回归算法就是填空题。你在使用滴滴打车的时候，你叫车前，它就能估算出价格。这就是回归算法在发挥作用。回归算法的特点是预测连续的数值，而不是离散的类别。
常见的回归算法包括：
线性回归：这是最基础的回归算法，假设特征和预测值之间存在线性关系。想象你坐公交车，每公里2元，这就是最简单的线性关系。在实际应用中，可能会考虑多个特征，比如预测房价时，不仅要考虑面积（每平米单价），还要考虑地段、楼层、装修等因素。
GBDT（梯度提升决策树）：这个名字听起来吓人，但实际很好理解。就像打高尔夫，第一杆打偏了，第二杆调整一点，第三杆再调整一点，每次都在纠正之前的误差，最终找到最好的路径。GBDT在工业界非常受欢迎，因为它能自动挖掘特征间的非线性关系，预测效果往往比线性回归好得多。
商业分析中的应用场景：
销量预测：预测未来一段时间内的商品销量，这对于库存管理和供应链优化至关重要。
广告点击率预测：在投放广告前，预估可能的点击率，这直接关系到广告位的定价和排序。
客户终身价值预测：预测一个客户在未来可能贡献的总收入，这对于制定差异化的客户服务策略非常重要。
3. 聚类算法：发现相似的群体
聚类算法就像是一个优秀的运营，能把相似的用户分到一组。用户运营就经常用聚类算法来发现不同的用户群体，这样就能精准推送内容了。与分类算法不同，聚类算法不需要预先知道分组的标准，它能自动发现数据中的模式。
两个常用的聚类算法：
K-Means：就像给羊分圈，先定好要分几个圈（K值），然后看哪只羊离哪个圈最近。这个过程会不断重复，直到每只羊都找到最合适的圈。K-Means的优点是简单高效，缺点是需要预先指定K值，而且对异常值比较敏感。
DBSCAN：这个更智能，它会自动发现人群密集的地方，就像在音乐节上发现不同的粉丝团。DBSCAN不需要预先指定分组数量，而是根据数据的密度自动划分，还能识别出异常点。缺点是对参数的设置比较敏感，需要一定的经验。
关于各类算法的特点，我总结了下面的表：
1. 所有模型都是错的，但有些是有用的
“所有模型都是错的，但有些是有用的”。
这句话不是我说的，是统计学家George Box说的。它告诉我们：不要追求完美的模型，要追求有用的模型。在商业分析中，这一点尤其重要。
假设有一位学生为了准备考试。
这个学生在复习时，只是简单地浏览了一下去年的考试内容，既没有记住题目，也没有深入理解知识点。他既没有对去年的题目产生深刻的理解，也没有掌握应对新题型的方法。
因此，当他面对去年的试卷时，错的很多；而到了正式考试，他依然没有足够的知识来应对这些新的问题。
在机器学习中，这种情况就是欠拟合。
欠拟合的模型就像这个没有深入学习的学生——模型过于简单，没有足够的能力去捕捉数据中的重要模式和规律，所以它在训练数据和测试数据上都表现不好。
如果他拿到了去年的考试卷子，并且把每一道题的答案都背得滚瓜烂熟。这种情况下，学生在做和去年的试卷一模一样的题目时，可能表现得非常好，分数很高。这就像模型在训练数据上表现非常好一样。
但是，到了正式考试时，考卷上的题目和去年的不完全一样，虽然有些题型类似，但题目细节发生了变化。由于学生只会死记硬背去年的答案，而没有真正理解知识，他在新的考题上可能表现得很差。这个学生在应对“训练数据”（去年的试卷）时表现得很好，但在“测试数据”（正式考试卷）上却失败了。
这就是过拟合。过拟合是指模型过于专注于训练数据中的细节和噪声，无法很好地应对新数据。
过拟合和欠拟合的平衡是很微妙的，真正能用的模型既不能欠拟合也不能过拟合。
那么如果两个模型效果差不多，怎么办？这种情况要遵循一个原则：奥卡姆剃刀。
意思是，如果两个模型效果差不多，那就选择更简单的那个。这就像你背单词，与其背一大堆近义词，不如先把最常用的掌握好。在实际工作中，我们经常会看到：
简单的决策树模型，可解释性强，同事容易理解
线性回归虽然简单，但在很多场景下效果足够好
复杂的深度学习模型，可能会过拟合，导致线上效果不稳定
2. 选对评估标准，避免南辕北辙
评估标准就像是考试的评分标准，选对了，才能评判模型的好坏。不同的业务场景，关注的重点不同，使用的评估标准也应该不同。
拿广告点击预测来说，我们经常用这些指标：
准确率（Precision）：预测点击的广告中，真正被点击的比例
召回率（Recall）：所有被点击的广告中，被正确预测的比例
F1分数：准确率和召回率的调和平均数，平衡两者的取舍
选择哪个指标？要看你的目标：
如果预算有限，追求精准，就看准确率
如果怕错过机会，宁可多投，就看召回率
如果两者都想兼顾，可以看F1分数
|
预测情况 |
实际点击 |
实际不点击 |
|
预测点击 |
真正例(TP) |
假正例(FP) |
|
预测不点击 |
假负例(FN) |
真负例(TN) |
准确率 = TP / (TP + FP)
召回率 = TP / (TP + FN)
F1 = 2 * (准确率 * 召回率) / (准确率 + 召回率)
在实际工作中，选择评估指标时需要注意：
考虑业务成本：有时候假正例和假负例的成本不一样，比如在欺诈检测中，把正常交易判断为欺诈（假正例）的成本，可能远小于把欺诈交易判断为正常（假负例）的成本
数据不平衡：在用户流失预测中，流失用户往往是少数，这时候准确率可能会产生误导，应该更关注召回率
综合多个指标：不要只看单个指标，应该综合考虑多个指标，全面评估模型性能
现在一般商业分析师不太自己做机器学习的分析，而是交给算法工程师。
不过学习机器学习，就像学开车。你不需要知道发动机的每个零件，但要知道什么时候该用什么档位。作为商业分析师，你需要掌握这些基础概念，就能遇到合适的问题的时候，想起可以用机器学习解决这类问题。
·END·
本文为作者独立观点，不代表鸟哥笔记立场，未经允许不得转载。
《鸟哥笔记版权及免责申明》 如对文章、图片、字体等版权有疑问，请点击 反馈举报
Powered by QINGMOB PTE. LTD. © 2010-2022 上海青墨信息科技有限公司 沪ICP备2021034055号-6
我们致力于提供一个高质量内容的交流平台。为落实国家互联网信息办公室“依法管网、依法办网、依法上网”的要求，为完善跟帖评论自律管理，为了保护用户创造的内容、维护开放、真实、专业的平台氛围，我们团队将依据本公约中的条款对注册用户和发布在本平台的内容进行管理。平台鼓励用户创作、发布优质内容，同时也将采取必要措施管理违法、侵权或有其他不良影响的网络信息。
一、根据《网络信息内容生态治理规定》《中华人民共和国未成年人保护法》等法律法规，对以下违法、不良信息或存在危害的行为进行处理。
1. 违反法律法规的信息，主要表现为：
1)反对宪法所确定的基本原则；
2)危害国家安全，泄露国家秘密，颠覆国家政权，破坏国家统一，损害国家荣誉和利益；
3)侮辱、滥用英烈形象，歪曲、丑化、亵渎、否定英雄烈士事迹和精神，以侮辱、诽谤或者其他方式侵害英雄烈士的姓名、肖像、名誉、荣誉；
4)宣扬恐怖主义、极端主义或者煽动实施恐怖活动、极端主义活动；
5)煽动民族仇恨、民族歧视，破坏民族团结；
6)破坏国家宗教政策，宣扬邪教和封建迷信；
7)散布谣言，扰乱社会秩序，破坏社会稳定；
8)宣扬淫秽、色情、赌博、暴力、凶杀、恐怖或者教唆犯罪；
9)煽动非法集会、结社、游行、示威、聚众扰乱社会秩序；
10)侮辱或者诽谤他人，侵害他人名誉、隐私和其他合法权益；
11)通过网络以文字、图片、音视频等形式，对未成年人实施侮辱、诽谤、威胁或者恶意损害未成年人形象进行网络欺凌的；
12)危害未成年人身心健康的；
13)含有法律、行政法规禁止的其他内容；
2. 不友善：不尊重用户及其所贡献内容的信息或行为。主要表现为：
1)轻蔑：贬低、轻视他人及其劳动成果；
2)诽谤：捏造、散布虚假事实，损害他人名誉；
3)嘲讽：以比喻、夸张、侮辱性的手法对他人或其行为进行揭露或描述，以此来激怒他人；
4)挑衅：以不友好的方式激怒他人，意图使对方对自己的言论作出回应，蓄意制造事端；
5)羞辱：贬低他人的能力、行为、生理或身份特征，让对方难堪；
6)谩骂：以不文明的语言对他人进行负面评价；
7)歧视：煽动人群歧视、地域歧视等，针对他人的民族、种族、宗教、性取向、性别、年龄、地域、生理特征等身份或者归类的攻击；
8)威胁：许诺以不良的后果来迫使他人服从自己的意志；
3. 发布垃圾广告信息：以推广曝光为目的，发布影响用户体验、扰乱本网站秩序的内容，或进行相关行为。主要表现为：
1)多次发布包含售卖产品、提供服务、宣传推广内容的垃圾广告。包括但不限于以下几种形式：
2)单个帐号多次发布包含垃圾广告的内容；
3)多个广告帐号互相配合发布、传播包含垃圾广告的内容；
4)多次发布包含欺骗性外链的内容，如未注明的淘宝客链接、跳转网站等，诱骗用户点击链接
5)发布大量包含推广链接、产品、品牌等内容获取搜索引擎中的不正当曝光；
6)购买或出售帐号之间虚假地互动，发布干扰网站秩序的推广内容及相关交易。
7)发布包含欺骗性的恶意营销内容，如通过伪造经历、冒充他人等方式进行恶意营销；
8)使用特殊符号、图片等方式规避垃圾广告内容审核的广告内容。
4. 色情低俗信息，主要表现为：
1)包含自己或他人性经验的细节描述或露骨的感受描述；
2)涉及色情段子、两性笑话的低俗内容；
3)配图、头图中包含庸俗或挑逗性图片的内容；
4)带有性暗示、性挑逗等易使人产生性联想；
5)展现血腥、惊悚、残忍等致人身心不适；
6)炒作绯闻、丑闻、劣迹等；
7)宣扬低俗、庸俗、媚俗内容。
5. 不实信息，主要表现为：
1)可能存在事实性错误或者造谣等内容；
2)存在事实夸大、伪造虚假经历等误导他人的内容；
3)伪造身份、冒充他人，通过头像、用户名等个人信息暗示自己具有特定身份，或与特定机构或个人存在关联。
6. 传播封建迷信，主要表现为：
1)找人算命、测字、占卜、解梦、化解厄运、使用迷信方式治病；
2)求推荐算命看相大师；
3)针对具体风水等问题进行求助或咨询；
4)问自己或他人的八字、六爻、星盘、手相、面相、五行缺失，包括通过占卜方法问婚姻、前程、运势，东西宠物丢了能不能找回、取名改名等；
7. 文章标题党，主要表现为：
1)以各种夸张、猎奇、不合常理的表现手法等行为来诱导用户；
2)内容与标题之间存在严重不实或者原意扭曲；
3)使用夸张标题，内容与标题严重不符的。
8.「饭圈」乱象行为，主要表现为：
1)诱导未成年人应援集资、高额消费、投票打榜
2)粉丝互撕谩骂、拉踩引战、造谣攻击、人肉搜索、侵犯隐私
3)鼓动「饭圈」粉丝攀比炫富、奢靡享乐等行为
4)以号召粉丝、雇用网络水军、「养号」形式刷量控评等行为
5)通过「蹭热点」、制造话题等形式干扰舆论，影响传播秩序
9. 其他危害行为或内容，主要表现为：
1)可能引发未成年人模仿不安全行为和违反社会公德行为、诱导未成年人不良嗜好影响未成年人身心健康的；
2)不当评述自然灾害、重大事故等灾难的；
3)美化、粉饰侵略战争行为的；
4)法律、行政法规禁止，或可能对网络生态造成不良影响的其他内容。
二、违规处罚
本网站通过主动发现和接受用户举报两种方式收集违规行为信息。所有有意的降低内容质量、伤害平台氛围及欺凌未成年人或危害未成年人身心健康的行为都是不能容忍的。
当一个用户发布违规内容时，本网站将依据相关用户违规情节严重程度，对帐号进行禁言 1 天、7 天、15 天直至永久禁言或封停账号的处罚。当涉及欺凌未成年人、危害未成年人身心健康、通过作弊手段注册、使用帐号，或者滥用多个帐号发布违规内容时，本网站将加重处罚。
三、申诉
随着平台管理经验的不断丰富，本网站出于维护本网站氛围和秩序的目的，将不断完善本公约。
如果本网站用户对本网站基于本公约规定做出的处理有异议，可以通过「建议反馈」功能向本网站进行反馈。
(规则的最终解释权归属本网站所有)