基于案例学习数据挖掘-第12周

1、基于案例学习数据挖基于案例学习数据挖掘 第十二【】【】GGM（炼数成金），组看的培训GGM（炼数成金），组看的培训实质：分类算法实际上是根属性来计和类别的从属过程：对于实质：分类算法实际上是根属性来计和类别的从属过程：对于这个优秀的算法来讲，其实它的任务从来都是进行概率的分配，例如针对三个类的分类任务，那么算法的主要任务就是将每属于类别的可能性以概率形来使用来，对于分类算法的使用率可谓是十分低下 每一个分类算法都精准地将概率分配计算只利用了一个阈值来确定类别归 分类算法浅谈（一已知概可以假设有这样一个执行过分已知概可以假设有这样一个执行过分类任务的数据集，即每都被赋予了类别归属为 的方法来自定

2、义：对于拥有大量数据的销售项目可以有另外的使用方置信度为 该如 个置信度为 分类算法浅谈（二前提：算法计算后，每的置信度都在【 】区间，那么为了最大化利用这个“得之不易的结果其实可以自定前提：算法计算后，每的置信度都在【 】区间，那么为了最大化利用这个“得之不易的结果其实可以自定义分分级代替分类：事实上，有时不仅需要知道用户决定，还需要知道用愿的强烈程度，很明显，置信度是可以代意愿自定义：可以根据实际需要对用户进行分级，例如按照置信度分为等距的 级用户置信区组 【 【 【 【 【 分类算法浅谈（三【 【 【 【 【 解释没有办法认为置信度为 的客户和置信度为 的客户对是解释没有办法认为置信度为

3、 的客户和置信度为 的客户对是同样重要的方便检验：在6中已经提到在普通的阈值下，置信度为 左右的用户被误判的可能性大，所以按照分组来“整体观察”的话，会减少不必要的思考时示例分级检验（非真实数据分级的意级别区用户实实比【 【 【 【 【 【 【 【 【 【 向：即最强的客户开，这样向：即最强的客户开，这样可以做到效率最大图：横轴客户量占比，纵轴客户量占分级指 图 】一个假设：假有每个用的置信度（注意，这个和实行为不同用户 置信 如何计算置信指标标准化：之前提过，标准化支持自定义模式，即按照需求进行标准化指标KPI：这样每个指标（即指标标准化：之前提过，标准化支持自定义模式，即按照需求进行标准化

4、指标KPI：这样每个指标（即维度）都可以理解成16/，反映用户的关键指 用户置信 用户评价体与属性：属性是描较为相的，所以如果两的每个属性都很接近可以认为两户与属性：属性是描较为相的，所以如果两的每个属性都很接近可以认为两户以类聚：如能够把满足如下条件都划分到一起，人工在一起，那么优有两个，首先，可以看到人共划分组的规模大小，即一般的客户集中在那些区域；其次，可观察这些相组成的整体，整体的表现如)()用户分用户将 和 这样在一起，观察群属性，对于研究用户行为的意义是十分的，这其中有一个明显怎么提取群体特征：按照之前的步这些组呢可以将怎么提取群体特征：按照之前的步这些组呢可以将所有用户分成若干个

5、组，那如何来描述已有用户代表（虚拟用户）：给出几个参考概念，4平均先生（）、各科平均分等概用户代率 用户 用户 *E *E *E GES GES ES组 算学生成绩每 这个操作让群体用户数据量4变成了一条用户组的用户量：不同的4在一定程度代表用户组的用户量：不同的4在一定程度代表了两件事，首先是这个群组的规掉的，一般4$ 为约束条件（所以精准用户组用户*平平均 率让4比较率- - (- (有效群组和代线性回归：在这个模型之需要两个假第一：组内客线性回归：在这个模型之需要两个假第一：组内客户特征相同（实际上为相近，并非相同第二：4足够大率可以认为是该组用户代的置如果以上两个概念你理解，那么这个分

6、析过程几乎会在逻辑上贯穿始终率（66）为2GHKR变量，其他变量为常规变量，数最后的公式自然是66#2 2 + 4其中24为模型结果对应的系就直接记住24可以在*3十分简单的模用户评用户评评价如何理解：置信度即在这一次的挖掘下该用商品可能性的一个度量，注意，信度不等同于概率的含评价如何使用：尽管如此， 仍然 成用户的 概率这一概念，但注意的是这是一个群体概念，因为对于个人来讲， 的行为只可能为 和 ，不存在中间的情况， 这里给不能简地认为置信用户 的用户定，而置信度为 则意味着 名这的期望为 人 用户评初始客户分等级（对比6 概率的一点处理这里用到的是线性回归，所以在应用模型后，难免会初始客户

7、分等级（对比6 概率的一点处理这里用到的是线性回归，所以在应用模型后，难免会有一小部分用户概率会在【 】之外采取就近原则来处理，替换为或客户分等级： 等级制，在下面的表格中可以看的 等级制是如何划分 等级制是一个参考，为和管理分组，如果实际方掘项目用户量与此差别较大，可采取别的标准能计算概率续的，支持一切自定义用户等KES（ ,0（ （ （ 如何来验证值来进行比根据每个用户率来计算一个群组期望（概率相加），期望值和真如何评价：要结合群组内的用户误差来综合评价准确度，实践证明，该方法准确度十分理数客户比用户占比用户占比结合向验证两条的可 如何来验证值来进行比根据每个用户率来计算一个群组期望（概率相加），期望值和真如何评价：要结合群组内的用户误差来综合评价准确度，实践证明，该方法准确度十分理数客户比用户