當(dāng)涉及大數(shù)據(jù)和高級(jí)分析的話題時(shí)，熱鬧非凡。頂級(jí)分析公司就這些概念所采取的措施可以為數(shù)字時(shí)代的企業(yè)帶來革命性的變化進(jìn)行了廣泛的撰寫。世界各地的《財(cái)富》500強(qiáng)公司都在大數(shù)據(jù)和高級(jí)分析方面進(jìn)行了大量投資，并從中受益匪淺。問題在于，許多公司也希望取得令人難以置信的成果，但不確定確切的起點(diǎn)。
高級(jí)分析通常始于單個(gè)用例。這包括應(yīng)用新的數(shù)據(jù)轉(zhuǎn)換和分析方法來發(fā)現(xiàn)數(shù)據(jù)中以前未知的趨勢和模式。當(dāng)將此新信息應(yīng)用于業(yè)務(wù)流程和操作規(guī)范時(shí)，它就有可能改變您的業(yè)務(wù)。
為了從數(shù)據(jù)中獲取更大的價(jià)值，請使用以下五類算法。
線性回歸
線性回歸是高級(jí)分析的最基本算法之一。這也使其成為使用最廣泛的之一。人們可以輕松地查看其工作方式以及輸入數(shù)據(jù)與輸出數(shù)據(jù)的關(guān)系。
線性回歸使用兩組連續(xù)定量度量之間的關(guān)系。第一組稱為預(yù)測變量或自變量。另一個(gè)是響應(yīng)或因變量。線性回歸的目標(biāo)是以公式的形式識(shí)別關(guān)系，該公式根據(jù)自變量描述因變量。一旦這種關(guān)系被量化，就可以為自變量的任何實(shí)例預(yù)測因變量。
時(shí)間是最常用的自變量之一。無論您的自變量是收入，成本，客戶，使用或生產(chǎn)力，如果您可以定義其與時(shí)間的關(guān)系，那么可以使用線性回歸預(yù)測值。
邏輯回歸
Logistic回歸聽起來與線性回歸相似，但實(shí)際上專注于涉及分類而不是定量預(yù)測的問題。在這里，輸出變量值是離散且有限的，而不是連續(xù)的，并且具有無限值，就像線性回歸一樣。
邏輯回歸的目標(biāo)是對輸入變量的實(shí)例是否適合類別進(jìn)行分類。Logistic回歸的輸出值為0到1之間的值。結(jié)果接近1表示輸入變量更清楚地適合類別。結(jié)果接近0表示輸入變量可能不適合該類別。
Logistic回歸通常用于回答明確定義的是或否問題?？蛻魰?huì)再次購買嗎？買家信用值得嗎？潛在客戶會(huì)成為客戶嗎？預(yù)測這些問題的答案會(huì)在業(yè)務(wù)流程中產(chǎn)生一系列動(dòng)作，從而有助于增加未來的收入。
分類和回歸樹
分類樹和回歸樹使用決策來對數(shù)據(jù)進(jìn)行分類。每個(gè)決定都是基于與輸入變量之一有關(guān)的問題。有了每個(gè)問題和相應(yīng)的答案，數(shù)據(jù)實(shí)例就變得更接近以特定方式進(jìn)行分類了。這組問題和答案以及隨后的數(shù)據(jù)劃分創(chuàng)建了一個(gè)樹狀結(jié)構(gòu)。每行問題的末尾都有一個(gè)類別。這稱為分類樹的葉節(jié)點(diǎn)。
這些分類樹可能變得非常大和復(fù)雜?？刂茝?fù)雜性的一種方法是通過修剪樹或有意刪除問題級(jí)別以在精確匹配和抽象之間取得平衡。對于輸入值的所有實(shí)例（在訓(xùn)練中已知的值和在訓(xùn)練中未知的值）都適用的模型至關(guān)重要。要防止此模型過度擬合，就需要在精確擬合和抽象之間達(dá)到微妙的平衡。
分類樹和回歸樹的一種變體稱為隨機(jī)森林。隨機(jī)森林不是構(gòu)建具有多個(gè)邏輯分支的單個(gè)樹，而是由許多小的樹和簡單樹組成的頂點(diǎn)，每個(gè)樹都評估數(shù)據(jù)實(shí)例并確定分類。一旦所有這些簡單的樹完成了其數(shù)據(jù)評估，該過程將合并單個(gè)結(jié)果，以基于較小類別的組合來創(chuàng)建類別的最終預(yù)測。這通常稱為合奏方法。這些隨機(jī)森林通常在平衡精確匹配和抽象方面做得很好，并且已在許多業(yè)務(wù)案例中成功實(shí)現(xiàn)。
與側(cè)重于是或否分類的邏輯回歸相反，分類和回歸樹可用于預(yù)測多值分類。它們也更容易可視化并查看引導(dǎo)算法進(jìn)行特定分類的確定路徑。
K最近鄰法?（KNN）
K最近鄰法?也是一種分類算法。它被稱為“懶惰學(xué)習(xí)者”，因?yàn)樵撨^程的培訓(xùn)階段非常有限。學(xué)習(xí)過程由存儲(chǔ)的訓(xùn)練數(shù)據(jù)集組成。在評估新實(shí)例時(shí)，將評估到訓(xùn)練集中每個(gè)數(shù)據(jù)點(diǎn)的距離，并且基于新數(shù)據(jù)實(shí)例與訓(xùn)練實(shí)例的接近程度，就該數(shù)據(jù)實(shí)例屬于哪個(gè)類別達(dá)成共識(shí)。
根據(jù)訓(xùn)練集的大小和范圍，此算法在計(jì)算上可能會(huì)很昂貴。由于必須將每個(gè)新實(shí)例與訓(xùn)練數(shù)據(jù)集的所有實(shí)例進(jìn)行比較并得出距離，因此該過程每次運(yùn)行都可以使用許多計(jì)算資源。
該分類算法允許對數(shù)據(jù)進(jìn)行多值分類。另外，嘈雜的訓(xùn)練數(shù)據(jù)傾向于使分類傾斜。通常選擇K近鄰，因?yàn)樗子谑褂?，易于?xùn)練并且易于解釋結(jié)果。當(dāng)您嘗試查找相似的項(xiàng)目時(shí)，它通常在搜索應(yīng)用程序中使用。
K均值聚類
K-均值聚類專注于創(chuàng)建相關(guān)屬性組。這些組稱為群集。一旦創(chuàng)建了這些集群，就可以針對它們評估其他實(shí)例，以查看它們最適合的位置。
此技術(shù)通常用作數(shù)據(jù)探索的一部分。首先，分析人員指定群集的數(shù)量。K-means群集過程基于在稱為“質(zhì)心”的公共集線器周圍找到具有相似性的數(shù)據(jù)點(diǎn)，將數(shù)據(jù)分解為該數(shù)量的群集。這些群集與類別不同，因?yàn)樗鼈冏畛鯖]有業(yè)務(wù)意義。它們只是輸入變量的緊密相關(guān)實(shí)例。一旦識(shí)別并分析了這些集群，就可以將它們轉(zhuǎn)換為類別，并提供具有業(yè)務(wù)意義的名稱。
經(jīng)常使用K均值聚類是因?yàn)樗子谑褂煤徒忉?，并且速度很快。要注意的一個(gè)方面是k均值聚類對異常值極為敏感。這些離群值會(huì)極大地改變這些聚類的性質(zhì)和定義，并最終改變分析結(jié)果。
這些是高級(jí)分析計(jì)劃中使用的一些最受歡迎的算法。每種方法都有優(yōu)缺點(diǎn)，并且可以有效地利用各種方法來產(chǎn)生業(yè)務(wù)價(jià)值。實(shí)施這些算法的最終目標(biāo)是進(jìn)一步優(yōu)化數(shù)據(jù)，使結(jié)果信息可以應(yīng)用于業(yè)務(wù)決策。正是此過程為下游流程提供了更精細(xì)和更高價(jià)值的數(shù)據(jù)，這對于公司真正利用其數(shù)據(jù)的價(jià)值并實(shí)現(xiàn)其所需的結(jié)果至關(guān)重要。
