以什么姿勢進入DataMining會少走彎路?
畫外音：看過身邊花1w+大洋報培訓班，周末夜里堅持學習的同學;面過碩士、博士甚至留學交換生，但結果總不盡如人意;現如今堪比前端一樣渾濁的算法領域，讓人擔憂。
承認一點，每個人都在進步，每個人都走過彎路，曾幾某時，自己也一腔熱血的寫過一篇文章，后來分享了出來 “神愛眾人，于是帶來Python” 。目前來看，那篇文章寫得并不好，感興趣的可以去看看。
前不久，給公司同事做算法培訓時候，說了自己在算法領域的四點信仰，可以和看官一起分享：
- 信仰1：不以具體業務場景出發，不考慮大數據并發實現的數據挖掘，都在耍流氓;
- 信仰2：知其然，曉其所以然，萬變不離其宗，必定變化莫測，這正是算法魅力;
- 信仰3：在DataMining領域，不做兩種人。一種是工具人，一種是研究者;
- 信仰4：擁有健康、豐滿的數據，業務場景建模已經成功90%以上了;
余下的內容，也將對上面四點分別做闡述，附帶案例說明：
學會考慮業務場景建模，多思考大數據并發下的實現
案例1：一些網絡授課，每當提起分類算法，最常用的典型二分類是男性和女性判別?
a.普遍的講解流程，介紹各種分類算法，DT、LR、NB和SVM等等;
b.接下來，考慮用戶一些基礎的網站行為數據，平均訪問時長、nick、瀏覽page、每日pv等等;
c.***，帶入數據，套用模型，個別還會考慮清洗數據，一切就Over;
一堂簡單網絡授課，也許不能面面俱到，
但也絕對不能錯誤的引導DM(數據挖掘)的核心要領。
比如：
讓學習者認為算法是整個數據挖掘的核心?數據挖掘就是隨便找到數據套用模型，甚至工具包就OK了?
很多很多不恰當的思想灌輸，正是讓現如今算法行業魚龍混雜，我也不是批判者，也不是熬雞湯人。我會這樣簡單去介紹，二分類場景下的男性和女性判別：
Step1：Where 在哪個行業下的用戶性別判斷的場景需求?(比如：電商行業)
Step2：Why 需要去分析用戶性別?(現如今，在資金有限的情況下[廣告費，站外流量和短信等等]，精準化營銷的需求越來越強烈，同時用戶體驗也會是至關重要，如何做到千人千面?如何提高整個平臺，或者商家店鋪的成交轉化率、用戶回購率和用戶粘度?甚至如何給每個用戶展示他所想看到的寶貝詳情頁?這些的這些，都是需要對用戶，乃至店鋪、商品和品牌進行畫像，構建標簽體系，其中就包括用戶性別!)
Step3：What 如何去分析用戶性別?(在數據挖掘中，特征選取不當，模型構建不當，都會容易引起[欠擬合]和[過擬合]，因此在電商行業的用戶性別分析，首先明確一個概念區別(用戶網站性別和用戶線下性別)，顧名思義，一個是用戶真實性別，一個是用戶在網站的行為性別，而真正對我們有意義的，當然是后者。因此，在考慮用戶性別分析特征時，核心要素是考慮用戶在平臺購買過的類目行為(每款商品在設計之初，都會明確目標群體)。
但是，畢竟會存在很多用戶是新用戶，這也正是模型的冷啟動問題。如果你認為算法是最厲害的，到這里，你會無能為力;但如果你夠了解業務，了解數據，你會觀察到用戶的收貨姓名(但，注意，經驗表明，每一個電商購物用戶，都可能會存在多個收貨姓名 ? 甚至存在非姓名的收貨姓名?剩下深入的細節，需要建模之處進行合理把控的)
Step4：When 什么時候去分析用戶?(通過上面的分析，想必已經夠清楚了，模型構建一定要場景化，也必然場景細分，也有就用戶細分!這里主要分三類，a.新用戶，b.購買行為數在一定范圍內?c.高頻購買行為用戶?
Step5：How 去分析用戶性別?(整個二分類場景，模型被我放在***，希望學習數據挖掘的同學，對于業務和算法的分量，要在心目中有分寸。這里會考慮冷啟動模型、分類算法(比如樸素貝葉斯)和符號模型的組合。這里灌輸一個思想：模型 != 單算法，而是由多算法+一系列規則邏輯組合而成)
[總結]：一堂課程，還是花了很多培訓費，即使不能闡述太多，但我想，如果通過上述方式，會不會更恰當呢?
案例2：很多學者不考慮大數據并發的實現，玩習慣性的單機版時間久了，很難走出這道坎。比如很多人用協同過濾，考慮過大數據量下大矩陣相乘的實現?
知其然，曉其所以然，萬變不離其宗，必定變化莫測:
案例3：很多使用算法，甚至數據清洗方式的同學，更多是將知道的方法組合在一起，認為這就是數據挖掘?
我想，這也許還是。
網絡課程給學習者帶來的詬病吧!
因為課程上已經千篇一律的講述了數據挖掘的流程體系，所以學習者都會這樣做：
a.業務場景需求出現：不假思索就采取能想到的特征變量;
b.不考慮數據清洗，不考慮歸一化，無量綱化處理，甚至異常和缺失值，就直接進入模型;
c.不了解具體某一個算法的原理性，一味的用各種工具包，甚至扯上了Spark，R，Mahout 和python等等，輸入數據就OK了;
……很多很多，畢竟我不是批判者，我只是希望大家能夠做一件正確的事，再正確做好這件事!
如果換做我，我會這樣思考!
Step1：業務需求出現時，多向專業運營人員了解業務背景，結合自己理解，確定初步的特征變量，觀察數據分布;
Step2：考慮異常值和缺失值處理(這些都是觀察數據找到的思路)，甚至結合數據分布，采取合適的無量綱化處理方式， 甚至一定程度上降維;
Step3：結合業務場景建模，用戶群體細分，確定模型選擇，以及所選算法，比如NB(樸素貝葉斯)。
Step4：需要深入了解樸素貝葉斯的原理，知道優勢和不足，甚至優化方向(比如：取Log、加平滑曲線等)
[總結]這里只是一個大概的思路，如果課堂時間允許情況下，用具體二分類(性別判別)的案例分析流程，這樣學生能夠領悟到更透徹。而不是一味的就那幾步數據挖掘步驟!
在DataMining領域，不做兩種人。一種是工具人，一種是研究者:
做數據挖掘，如果真正熱愛這個行業，并希望落實想法，不推薦大家做以上兩類人，工具人和研究者。
[工具人]：面試過很多人，(這里談離線批處理)基本都是Python(很多面試者被豆瓣電影評分的案例害得不淺啊!)，很多一味追潮流，也整一個Spark來調包，認為就是懂數據挖掘了，甚至Mahout和R等等;
PS：我曾經反問一位面試者，如果讓你招人，你會愿意選擇，只會用包，缺乏思考怎么去用?為什么這樣用?甚至如何改進和組合的人? 顯而易見，面試者的答案是不會招這樣的人!
我這里不是批判工具如何不好，曾經大學，我也只是會用Matlab、Spss，甚至Lingo。畢業初期，也只是會用Python和R等。我主要說的是，優秀的模型，不單單是某一個算法能夠解決的，其中還包括很多組合算法和邏輯規則。單獨的使用工具，結合業務的個性化需求會得不到很好滿足，甚至如果讓你調優算法，一方面你缺乏算法原理的理解，另一方面，你修改源碼的也會很費腦、費神啊!
[總結]：技術沒什么吸引人的，它的魅力在于服務業務，通過業務發展來驅動技術提高。這里推薦MapReduce!
[研究者]這類人，不過多討論，畢竟這個社會是需要這樣一類人存在的，我也很佩服他們。 我前面說的前提是，如果真正熱愛大數據下的數據挖掘，并落實想法，還是直接作為一個實踐者吧!
擁有健康、豐滿的數據，業務場景建模已經成功90%以上了
越到***，闡述的理由會更少。因為，該說的都已經說了!只想勸各位數據挖掘愛好者、實踐者或工作者.好的模型，不是用了如此NB的算法模型，而是優秀的泛化能力，而具備泛化能力的模型，缺乏良好的數據源，會是一棵長不大的樹苗的;
Google的阿法狗如此厲害，和它完備、真實和健康的數據源密不可分的!
