大數(shù)據(jù)建模與模型優(yōu)化實戰(zhàn)培訓(xùn)

【課程目標(biāo)】

本課程為建模課程，面向數(shù)據(jù)分析部等專門負責(zé)數(shù)據(jù)分析與建模的人員。

本課程的主要目的是，幫助學(xué)員掌握大數(shù)據(jù)建?；A(chǔ)知識，幫助學(xué)員構(gòu)建系統(tǒng)全面的預(yù)測建模思維，提升學(xué)員的數(shù)據(jù)建模綜合能力。

本課程具體內(nèi)容包括：

1、 數(shù)據(jù)建模流程，特征工程處理

2、 回歸預(yù)測模型，時序預(yù)測模型

3、 分類預(yù)測模型，模型含義解讀

4、 模型基本原理，模型算法實現(xiàn)

5、 模型質(zhì)量評估，模型優(yōu)化措施

本系列課程從實際的業(yè)務(wù)需求出發(fā)，結(jié)合行業(yè)的典型應(yīng)用特點，圍繞實際的商業(yè)問題，對數(shù)據(jù)預(yù)測建模的過程進行了全面的介紹（從模型選擇，到特征選擇，再到訓(xùn)練模型，評估模型，以及優(yōu)化模型和模型解讀），通過大量的操作演練，幫助學(xué)員掌握數(shù)據(jù)建模的思路、方法、技巧，以提升學(xué)員的數(shù)據(jù)建模的能力，支撐運營決策的目的。

通過本課程的學(xué)習(xí)，達到如下目的：

1、 掌握數(shù)據(jù)建模的基本過程和步驟

2、 掌握數(shù)據(jù)建模前的特征選擇的系統(tǒng)方法，學(xué)會尋找影響業(yè)務(wù)的關(guān)鍵要素

3、 掌握回歸預(yù)測模型基本原理，學(xué)會解讀回歸方程的含義

4、 掌握常用的時序預(yù)測模型，以及各模型的適用場景

5、 掌握常用的分類預(yù)測模型，以及分類模型的優(yōu)化

【授課時間】

2-3天時間（每天6個小時）

【授課對象】

業(yè)務(wù)支撐、網(wǎng)絡(luò)中心、IT系統(tǒng)部、數(shù)據(jù)分析部等對業(yè)務(wù)數(shù)據(jù)分析有較高要求的相關(guān)專業(yè)人員。

【學(xué)員要求】

1、 每個學(xué)員自備一臺便攜機(必須)。

2、 便攜機中事先安裝好Office Excel 2013版本及以上。

3、 便攜機中事先安裝好IBM SPSS Statistics v24版本以上軟件。

注：講師可以提供試用版本軟件及分析數(shù)據(jù)源。

【授課方式】

理論精講 + 案例演練 + 實際業(yè)務(wù)問題分析 + SPSS實際操作

本課程突出數(shù)據(jù)挖掘的實際應(yīng)用，結(jié)合行業(yè)的典型應(yīng)用特點，從實際問題入手，引出相關(guān)知識，進行大數(shù)據(jù)的收集與處理；探索數(shù)據(jù)之間的規(guī)律及關(guān)聯(lián)性，幫助學(xué)員掌握系統(tǒng)的數(shù)據(jù)預(yù)處理方法；介紹常用的模型，訓(xùn)練模型，并優(yōu)化模型，以達到最優(yōu)分析結(jié)果。

【課程大綱】

第一部分： 數(shù)據(jù)建模流程

1、 預(yù)測建模六步法

? 選擇模型：基于業(yè)務(wù)選擇恰當(dāng)?shù)臄?shù)據(jù)模型

? 特征工程：選擇對目標(biāo)變量有顯著影響的屬性來建模

? 訓(xùn)練模型：采用合適的算法對模型進行訓(xùn)練，尋找到最優(yōu)參數(shù)

? 評估模型：進行評估模型的質(zhì)量，判斷模型是否可用

? 優(yōu)化模型：如果評估結(jié)果不理想，則需要對模型進行優(yōu)化

? 應(yīng)用模型：如果評估結(jié)果滿足要求，則可應(yīng)用模型于業(yè)務(wù)場景

2、 數(shù)據(jù)挖掘常用的模型

? 定量預(yù)測模型：回歸預(yù)測、時序預(yù)測等

? 定性預(yù)測模型：邏輯回歸、決策樹、神經(jīng)網(wǎng)絡(luò)、支持向量機等

? 市場細分：聚類、RFM、PCA等

? 產(chǎn)品推薦：關(guān)聯(lián)分析、協(xié)同過濾等

? 產(chǎn)品優(yōu)化：回歸、隨機效用等

? 產(chǎn)品定價：定價策略/最優(yōu)定價等

3、 特征工程/特征選擇/變量降維

? 基于變量本身特征

? 基于相關(guān)性判斷

? 因子合并（PCA等）

? IV值篩選（評分卡使用）

? 基于信息增益判斷（決策樹使用）

4、 模型評估

? 模型質(zhì)量評估指標(biāo)：R^2、正確率/查全率/查準(zhǔn)率/特異性等

? 預(yù)測值評估指標(biāo)：MAD、MSE/RMSE、MAPE、概率等

? 模型評估方法：留出法、K拆交叉驗證、自助法等

? 其它評估：過擬合評估、殘差檢驗

5、 模型優(yōu)化

? 優(yōu)化模型：選擇新模型/修改模型

? 優(yōu)化數(shù)據(jù)：新增顯著自變量

? 優(yōu)化公式：采用新的計算公式

? 集成思想：Bagging/Boosting/Stacking

6、 常用預(yù)測模型介紹

? 時序預(yù)測模型

? 回歸預(yù)測模型

? 分類預(yù)測模型

第二部分： 建模特征工程

問題：如何選擇合適的屬性/特征來建模呢？選擇的依據(jù)是什么？比如價格是否可用于產(chǎn)品銷量預(yù)測？

1、 數(shù)據(jù)預(yù)處理vs特征工程

2、 特征工程處理內(nèi)容

? 變量變換

? 變量派生

? 變量精簡（特征選擇、因子合并）

? 類型轉(zhuǎn)換

3、 特征選擇常用方法

? 相關(guān)分析、方差分析、卡方檢驗

4、 相關(guān)分析（衡量兩數(shù)據(jù)型變量的線性相關(guān)性）

? 相關(guān)分析簡介

? 相關(guān)分析的應(yīng)用場景

? 相關(guān)分析的種類

2 簡單相關(guān)分析

2 偏相關(guān)分析

2 距離相關(guān)分析

? 相關(guān)系數(shù)的三種計算公式

2 Pearson相關(guān)系數(shù)

2 Spearman相關(guān)系數(shù)

2 Kendall相關(guān)系數(shù)

? 相關(guān)分析的假設(shè)檢驗

? 相關(guān)分析的四個基本步驟

演練：營銷費用會影響銷售額嗎？影響程度如何量化？

演練：哪些因素與汽車銷量有相關(guān)性

演練：影響用戶消費水平的因素會有哪些

? 偏相關(guān)分析

2 偏相關(guān)原理：排除不可控因素后的兩變量的相關(guān)性

2 偏相關(guān)系數(shù)的計算公式

2 偏相關(guān)分析的適用場景

? 距離相關(guān)分析

5、 方差分析（衡量類別變量與數(shù)值變量間的相關(guān)性）

? 方差分析的應(yīng)用場景

? 方差分析的三個種類

2 單因素方差分析

2 多因素方差分析

2 協(xié)方差分析

? 單因素方差分析的原理

? 方差分析的四個步驟

? 解讀方差分析結(jié)果的兩個要點

演練：擺放位置與銷量有關(guān)嗎

演練：客戶學(xué)歷對消費水平的影響分析

演練：廣告和價格是影響終端銷量的關(guān)鍵因素嗎

演練：營業(yè)員的性別、技能級別對產(chǎn)品銷量有影響嗎

演練：尋找影響產(chǎn)品銷量的關(guān)鍵因素

? 多因素方差分析原理

? 多因素方差分析的作用

? 多因素方差結(jié)果的解讀

演練：廣告形式、地區(qū)對銷量的影響因素分析

? 協(xié)方差分析原理

? 協(xié)方差分析的適用場景

演練：排除產(chǎn)品價格，收入對銷量有影響嗎？

6、 列聯(lián)分析/卡方檢驗（兩類別變量的相關(guān)性分析）

? 交叉表與列聯(lián)表：計數(shù)值與期望值

? 卡方檢驗的原理

? 卡方檢驗的幾個計算公式

? 列聯(lián)表分析的適用場景

案例：套餐類型對客戶流失的影響分析

案例：學(xué)歷對業(yè)務(wù)套餐偏好的影響分析

案例：行業(yè)/規(guī)模對風(fēng)控的影響分析

第三部分： 線性回歸模型

營銷問題：如何預(yù)測未來的產(chǎn)品銷量/銷售額？如果產(chǎn)品跟隨季節(jié)性變動，該如何預(yù)測？

1、 回歸分析簡介和原理

2、 回歸分析的種類

? 一元回歸/多元回歸

? 線性回歸/非線性回歸

3、 常用回歸分析方法

? 散點圖+趨勢線（一元）

? 線性回歸工具（多元線性）

? 規(guī)劃求解工具（非線性回歸）

演練：散點圖找營銷費用與銷售額的關(guān)系

4、 線性回歸分析的五個步驟

演練：營銷費用、辦公費用與銷售額的關(guān)系（線性回歸）

5、 線性回歸方程的解讀技巧

? 定性描述：正相關(guān)/負相關(guān)

? 定量描述：自變量變化導(dǎo)致因變量的變化程度

6、 回歸預(yù)測模型評估

? 質(zhì)量評估指標(biāo)：判定系數(shù)R^2

? 如何選擇最佳回歸模型

演練：如何選擇最佳的回歸預(yù)測模型（一元曲線回歸）

7、 帶分類自變量的回歸預(yù)測

演練：汽車季度銷量預(yù)測

演練：工齡、性別與終端銷量的關(guān)系

演練：如何評估銷售目標(biāo)與資源最佳配置

8、 自動篩選不顯著因素（自變量）

第四部分： 回歸模型優(yōu)化

1、 回歸分析的基本原理

? 三個基本概念：總變差、回歸變差、剩余變差

? 方程的顯著性檢驗：方程可用性

? 因素的顯著性檢驗：因素可用性

? 方程擬合優(yōu)度檢驗：質(zhì)量好壞程度

? 理解標(biāo)準(zhǔn)誤差含義：預(yù)測準(zhǔn)確性？

2、 回歸模型優(yōu)化措施：尋找最佳回歸擬合線

? 如何處理預(yù)測離群值（剔除離群值）

? 如何剔除不顯著因素（剔除不顯著因素）

? 如何進行非線性關(guān)系檢驗（增加非線性自變量）

? 如何進行相互作用檢驗（增加相互作用自變量）

? 如何進行多重共線性檢驗（剔除共線性自變量）

演練：模型優(yōu)化演示

3、 好模型都是優(yōu)化出來的

第五部分： 自定義回歸模型

1、 回歸建模的本質(zhì)

2、 規(guī)劃求解工具簡介

3、 自定義回歸模型

案例：如何對客流量進行建模預(yù)測及模型優(yōu)化

4、 回歸季節(jié)預(yù)測模型模型

? 回歸季節(jié)模型的原理及應(yīng)用場景

? 加法季節(jié)模型

? 乘法季節(jié)模型

? 模型解讀

案例：美國航空旅客里程的季節(jié)性趨勢分析

5、 新產(chǎn)品累計銷量的S曲線

? S曲線模型的應(yīng)用場景（最大累計銷量及銷量增長的拐點）

? 珀爾曲線

? 龔鉑茲曲線

案例：如何預(yù)測產(chǎn)品的銷售增長拐點，以及銷量上限

演練：預(yù)測IPad產(chǎn)品的銷量

第六部分： 定量模型評估

1、 定量預(yù)測模型的評估

? 方程顯著性評估

? 因素顯著性評估

? 擬合優(yōu)度的評估

? 估計標(biāo)準(zhǔn)誤差評估

? 預(yù)測值準(zhǔn)確度評估

2、 模型擬合度評估

? 判定系數(shù)：

? 調(diào)整判定系數(shù)：

3、 預(yù)測值準(zhǔn)確度評估

? 平均絕對誤差：MAE

? 根均方差：RMSE

? 平均誤差率：MAPE

4、 其它評估：殘差檢驗、過擬合檢驗

第七部分： 時序預(yù)測模型

營銷問題：像利率/CPI/GDP等按時序變化的指標(biāo)如何預(yù)測？當(dāng)銷量隨季節(jié)周期變動時該如何預(yù)測？

1、 回歸預(yù)測vs時序預(yù)測

2、 因素分解思想

3、 時序預(yù)測常用模型

? 趨勢擬合

? 季節(jié)擬合

? 平均序列擬合

4、 評估預(yù)測值的準(zhǔn)確度指標(biāo)：MAD、RMSE、MAPE

5、 移動平均（MA）

? 應(yīng)用場景及原理

? 移動平均種類

2 一次移動平均

2 二次移動平均

2 加權(quán)移動平均

2 移動平均比率法

? 移動平均關(guān)鍵問題

2 如何選取最優(yōu)參數(shù)N

2 如何確定最優(yōu)權(quán)重系數(shù)

演練：平板電腦銷量預(yù)測及評估

演練：快銷產(chǎn)品季節(jié)銷量預(yù)測及評估

6、 指數(shù)平滑（ES）

? 應(yīng)用場景及原理

? 最優(yōu)平滑系數(shù)的選取原則

? 指數(shù)平滑種類

2 一次指數(shù)平滑

2 二次指數(shù)平滑（Brown線性、Holt線性、Holt指數(shù)、阻尼線性、阻尼指數(shù)）

2 三次指數(shù)平滑

演練：煤炭產(chǎn)量預(yù)測

演練：航空旅客量預(yù)測及評估

7、 溫特斯季節(jié)預(yù)測模型

? 適用場景及原理

? Holt-Winters加法模型

? Holt-Winters乘法模型

演練：汽車銷量預(yù)測及評估

8、 平穩(wěn)序列模型（ARIMA）

? 序列的平穩(wěn)性檢驗

? 平穩(wěn)序列的擬合模型

2 AR(p)自回歸模型

2 MA(q)移動模型

2 ARMA(p,q)自回歸移動模型

? 模型的識別與定階

2 ACF圖/PACF圖

2 最小信息準(zhǔn)則

? 序列平穩(wěn)化處理

2 變量變換

2 k次差分

2 d階差分

? ARIMA(p,d,q)模型

演練：上海證券交易所綜合指數(shù)收益率序列分析

演練：服裝銷售數(shù)據(jù)季節(jié)性趨勢預(yù)測分析

? 平穩(wěn)序列的建模流程

第八部分： 分類預(yù)測模型

問題：如何評估客戶購買產(chǎn)品的可能性？如何預(yù)測客戶的購買行為？如何提取某類客戶的典型特征？如何向客戶精準(zhǔn)推薦產(chǎn)品或業(yè)務(wù)？

1、 分類模型概述及其應(yīng)用場景

2、 常見分類預(yù)測模型

3、 邏輯回歸（LR）

? 邏輯回歸的適用場景

? 邏輯回歸的模型原理

? 邏輯回歸分類的幾何意義

? 邏輯回歸的種類

2 二項邏輯回歸

2 多項邏輯回歸

? 如何解讀邏輯回歸方程

? 帶分類自變量的邏輯回歸分析

? 多項邏輯回歸/多分類邏輯回歸

案例：如何評估用戶是否會購買某產(chǎn)品（二項邏輯回歸）

案例：多品牌選擇模型分析（多項邏輯回歸）

4、 分類決策樹（DT）

問題：如何預(yù)測客戶行為？如何識別潛在客戶？

風(fēng)控：如何識別欠貸者的特征，以及預(yù)測欠貸概率？

客戶保有：如何識別流失客戶特征，以及預(yù)測客戶流失概率？

? 決策樹分類簡介

案例：美國零售商（Target）如何預(yù)測少女懷孕

演練：識別銀行欠貨風(fēng)險，提取欠貸者的特征

? 決策樹分類的幾何意義

? 構(gòu)建決策樹的三個關(guān)鍵問題

2 如何選擇最佳屬性來構(gòu)建節(jié)點

2 如何分裂變量

2 修剪決策樹

? 選擇最優(yōu)屬性生長

2 熵、基尼索引、分類錯誤

2 屬性劃分增益

? 如何分裂變量

2 多元劃分與二元劃分

2 連續(xù)變量離散化（最優(yōu)分割點）

? 修剪決策樹

2 剪枝原則

2 預(yù)剪枝與后剪枝

? 構(gòu)建決策樹的四個算法

2 C5.0、CHAID、CART、QUEST

2 各種算法的比較

? 如何選擇最優(yōu)分類模型？

案例：商場用戶的典型特征提取

案例：客戶流失預(yù)警與客戶挽留

案例：識別拖欠銀行貨款者的特征，避免不良貨款

案例：識別電信詐騙者嘴臉，讓通信更安全

? 多分類決策樹

案例：不同套餐用戶的典型特征

? 決策樹模型的保存與應(yīng)用

5、 人工神經(jīng)網(wǎng)絡(luò)（ANN）

? 神經(jīng)網(wǎng)絡(luò)概述

? 神經(jīng)網(wǎng)絡(luò)基本原理

? 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

? 神經(jīng)網(wǎng)絡(luò)分類的幾何意義

? 神經(jīng)網(wǎng)絡(luò)的建立步驟

? 神經(jīng)網(wǎng)絡(luò)的關(guān)鍵問題

? BP反向傳播網(wǎng)絡(luò)（MLP）

? 徑向基網(wǎng)絡(luò)（RBF）

案例：評估銀行用戶拖欠貨款的概率

6、 判別分析（DA）

? 判別分析原理

? 判別分析種類

? Fisher線性判別分析

案例：MBA學(xué)生錄取判別分析

案例：上市公司類別評估

7、 最近鄰分類（KNN）

? KNN模型的基本原理

? KNN分類的幾何意義

? K近鄰的關(guān)鍵問題

8、 支持向量機（SVM）

? SVM基本原理

? 線性可分問題：最大邊界超平面

? 線性不可分問題：特征空間的轉(zhuǎn)換

? 維災(zāi)難與核函數(shù)

9、 貝葉斯分類（NBN）

? 貝葉斯分類原理

? 計算類別屬性的條件概率

? 估計連續(xù)屬性的條件概率

? 預(yù)測分類概率（計算概率）

? 拉普拉斯修正

案例：評估銀行用戶拖欠貨款的概率

第九部分： 定性模型評估

1、 模型的評估指標(biāo)

? 兩大矩陣：混淆矩陣，代價矩陣

? 六大指標(biāo)：Acc,P,R,Spec,F1,lift

? 三條曲線：

2 ROC曲線和AUC

2 PR曲線和BEP

2 KS曲線和KS值

2、 模型的評估方法

? 原始評估法

? 留出法（Hold-Out）

? 交叉驗證法（k-fold cross validation）

? 自助采樣法（Bootstrapping）

第十部分： 模型集成優(yōu)化

1、 模型的優(yōu)化思路

2、 集成算法基本原理

? 單獨構(gòu)建多個弱分類器

? 多個弱分類器組合投票，決定預(yù)測結(jié)果

3、 集成方法的種類

? Bagging

? Boosting

? Stacking

4、 Bagging集成

? 數(shù)據(jù)/屬性重抽樣

? 決策依據(jù)：少數(shù)服從多數(shù)

? 典型模型：隨機森林RF

5、 Boosting集成

? 基于誤分數(shù)據(jù)建模

? 樣本選擇權(quán)重更新公式

? 決策依據(jù)：加權(quán)投票

? 典型模型：AdaBoost模型

6、 其它高級集成算法：GBDT，XGBoost等

結(jié)束：課程總結(jié)與問題答疑。