Python数据挖掘专题实战培训

资料挖掘基础

资料挖掘概述

资料

挖掘

的

准则流程

（CRISP-DM

）

商业领会

资料

准备

资料

领会

模型

构筑

模型

评核

模型

运用

实例：买方离职预测以及买方挽留

资料挖掘常用模型

资料预处理篇

资料预处理的主要差事

资料集成：多个资料集的合并

资料清理：异常值的处理

资料处理：资料筛选、资料精简、资料平衡

变量处理：变量变换、变量派生、变量精简

资料归约：达成降维，防止维灾难

资料集成

资料追加（添加资料）

变量合并（添加变量）

资料领会（

异常资料处理

）

取值范围限定

重复值处理

无效值

/

错误值处理

缺失值处理

离群值

/

极端值处理

资料质量评核

资料准备：资料处理

资料筛选：资料抽样

/

选项（减少样本数量）

资料精简：资料分段

/

离散化（减少变量的取值个数）

资料平衡：正反样本比例均衡

资料准备：变量处理

变量变换：原变量取值更新，比如准则化

变量派生：根据旧变量生成新的变量

变量精简：降维，减少变量个数

资料降维

常用

降维的办法

怎样确定变量个数

特征选项：选项要害变量，剔除不要害的变量

从变量本身考虑

从输入变量和标的

变量

的相关性考虑

对输入变量开展合并

因子拆解（主成分拆解）

因子拆解的原理

因子个数怎样选项

怎样解读因子含义

实例：提取影响电信买方离职的主成分拆解

资料探索性拆解

常用统计指标拆解

单变量：数值变量

/

分类变量

双变量：交叉拆解

/

相关性拆解

多变量：特征选项、因子拆解

上手：描述性拆解（频数、描述、探索、分类汇总）

资料可视化

资料可视化：柱状图、条形图、饼图、折线图、箱图、散点图等等

图形的表述以及适用情境

上手：各种图形

绘制

用户专题拆解

用户专题拆解的主要差事

买方群细分和聚类拆解

问题：我们的买方有几类？各类特征为何？怎样达成买方细分，开发符合细分市场的新货品？

聚类办法原理引见

聚类办法作用以及其适用情境

聚类拆解的种类

K

均值聚类

实例

：

移动三大品牌细分市情境适吗？

上手：宝洁公司怎样选项新货品试销区域？

上手

：

怎样评选出色员工？

上手

：中国各省份发达程度拆解

，让资料自动聚类

最优

K

值选项

Elbow手肘法

S

ilhouette Coefficient轮廓系数

C

alinski-Harabasz Index准则

双聚类

bi

cluster以及评核

谱聚类联合

联合谱聚类

S

pectralCoclustering

双向谱聚类

S

pectralBiclustering

D

BSCAN邻近聚类

买方喜好评核和主成分拆解

P

CA

营销问题：怎样汇聚大众的共同喜好？

主成分拆解办法引见

主成分拆解基本思想

主成分拆解步骤

实例

：怎样

评核汽车购买者的买方细分市场

买方价值评核和

RFM

模型

营销问题：怎样评核买方的价值？不同的价值买方有何区别对待？

RFM

模型（买方价值评核）

RFM

模型，更纵深弄懂你的买方价值

RFM

模型和市场打法

RFM

模型和活跃度拆解

实例：淘宝买方价值评核和促销名单

实例：重购用户特征拆解

货品专题拆解

货品专题拆解主要差事

货品规划拆解

市场占有拆解

累计销量拆解

定价打法拆解

货品规划精进（联合拆解法）

问题：怎样规划最优的功能特征？

评核功能特征的意义

评核功能特征的价值

实例

：

货品开发和规划拆解

货品评核模型（随机效用理论）

属性意义评核

市场占有率评核

货品价格弹性评核

评核货品的品牌价值

动态调价（纳会均衡价格）

实例：品牌价值和价格敏感度拆解

实例：纳什均衡价格

货品定价打法

营销问题：货品怎样达成最优定价？套餐价格怎样确定？采用哪些定价打法可达成利润最大化？

常见的定价办法

货品定价的理论依据

诉求曲线和利润最大化

怎样求解最优定价

实例：货品最优定价求解

怎样评核诉求曲线

价格弹性

曲线方程（线性、乘幂）

怎样做货品组合定价

怎样做货品捆绑

/

套餐定价

最大收益定价（演进规划求解）

防止价格反转的套餐定价

实例：电信公司的宽带、

IPTV

，移动电话套餐定价

非线性定价原理

要领会支付意愿曲线

支付意愿曲线和诉求曲线的异同

实例：双重收费怎样定价（如会费

+

按照次计费）

阶梯定价打法

实例：电力公司怎样做阶梯定价

数量折扣定价打法

实例：怎样借助折扣来达成薄利多销

定价打法的评核和选项

实例：零售公司怎样选项最优定价打法

航空公司的收益管控

收益管控引见

怎样确定机票预订限制

怎样确定机票超售数量

怎样评核模型的收益

实例：

FBN

航空公司怎样达成收益管控（预订

/

超售）

货品推荐和协同过滤

问题：购买

A

货品的顾客还常常要购买其他什么货品？应该给买方推荐什么货品最有可能被接受？

从搜索引擎到推荐引擎

常用货品推荐模型以及算法

基于流行度的推荐

基于排行榜的推荐，就一线经验说，适用于刚注册的用户

精进思路：分群推荐

基于内容的推荐

CBR

要害问题：怎样计算物品的相似度

优缺点

精进：

Rocchio

算法，基于标签的推荐、基于兴趣度的推荐

基于用户的推荐

要害问题：怎样对用户分类

/

计算用户的相似度

算法：按照属性分类、按照偏好分类、按照地理位置

协同过滤的推荐

基于用户的协同过滤

基于物品的协同过滤

冷启动的问题

实例：计算用户相似度，计算物品相似度

基于分类模型的推荐

其它推荐算法

LFM

基于隐语义模型

按照社交关系

基于时间上下文

多推荐引擎的协同事务

信用评分卡模型

信用评分卡模型简介

评分卡的要害问题

信用评分卡构筑进程

筛选要害属性

资料集转化

构筑分类模型

计算属性分值

确定审批阈值

筛选要害属性

属性分段

基本概念：

WOE

、

IV

属性意义评核

资料集转化

连续属性最优分段

计算属性取值的

WOE

构筑分类模型

训练推演回归模型

评核模型

得到字段系数

计算属性分值

计算补偿和刻度值

计算各字段得分

生成评分卡

确定审批阈值

画

K-S

曲线

计算

K-S

值

获取最优阈值

交叉销售和关联规则

关联规则概述

常用关联规则算法

Apriori

算法

发现频繁集

生成关联规则

FP-Growth

算法

构筑

FP

树

提取规则

实例

：

采用

apriori

达成关联拆解

基于

关联拆解

的推荐

怎样拟定套餐，达成交叉

/

捆绑销售

实例：啤酒和尿布、飓风和蛋挞

关联拆解模型原理

（

Association

）

关联规则的两个要害参数

支持度

置信度

关联拆解的适用情境

实例

：

购物篮拆解和货品捆绑销售

/

布局精进

实例：通信货品的交叉销售和货品推荐

结束：课程

收束

和

问题答疑

。

老师简介

Introduction to lecturers

弄懂更多

珀菲特顾问|傅一航老师