以什么姿势进入 DataMining 会少走弯路？

• 画外音：看过身边花 1w+ 大洋报培训班，周末夜里坚持学习的同学；面过硕士、博士甚至留学交换生，但结果总不尽如人意；现如今堪比前端一样浑浊的算法领域，让人担忧。

• 承认一点，每个人都在进步，每个人都走过弯路，曾几某时，自己也一腔热血的写过一篇文章，后来分享了出来 “神爱众人，于是带来 Python” 。目前来看，那篇文章写得并不好，感兴趣的可以去看看。

• 前不久，给公司同事做算法培训时候，说了自己在算法领域的四点信仰，可以和看官一起分享：

信仰 1：不以具体业务场景出发，不考虑大数据并发实现的数据挖掘，都在耍流氓；

信仰 2：知其然，晓其所以然，万变不离其宗，必定变化莫测，这正是算法魅力；

信仰 3：在 DataMining 领域，不做两种人。一种是工具人，一种是研究者；

信仰 4：拥有健康、丰满的数据，业务场景建模已经成功 90% 以上了；

• 余下的内容，也将对上面四点分别做阐述，附带案例说明：

学会考虑业务场景建模，多思考大数据并发下的实现:

案例 1：一些网络授课，每当提起分类算法，最常用的典型二分类是男性和女性判别？

a. 普遍的讲解流程，介绍各种分类算法，DT、LR、NB 和 SVM等等；
b. 接下来，考虑用户一些基础的网站行为数据，平均访问时长、nick、浏览 page、每日 pv 等等；
c. 最后，带入数据，套用模型，个别还会考虑清洗数据，一切就 Over；

一堂简单网络授课，也许不能面面俱到，

但也绝对不能错误的引导 DM（数据挖掘）的核心要领。比如：

让学习者认为算法是整个数据挖掘的核心？数据挖掘就是随便找到数据套用模型，甚至工具包就 OK 了？

很多很多不恰当的思想灌输，正是让现如今算法行业鱼龙混杂，我也不是批判者，也不是熬鸡汤人。我会这样简单去介绍，二分类场景下的男性和女性判别：

Step1：Where 在哪个行业下的用户性别判断的场景需求？（比如：电商行业）

Step2：Why 需要去分析用户性别？（现如今，在资金有限的情况下 [广告费，站外流量和短信等等]，精准化营销的需求越来越强烈，同时用户体验也会是至关重要，如何做到千人千面？如何提高整个平台，或者商家店铺的成交转化率、用户回购率和用户粘度？甚至如何给每个用户展示他所想看到的宝贝详情页？这些的这些，都是需要对用户，乃至店铺、商品和品牌进行画像，构建标签体系，其中就包括用户性别！）

Step3：What 如何去分析用户性别？（在数据挖掘中，特征选取不当，模型构建不当，都会容易引起 **[欠拟合] 和 [过拟合]，因此在电商行业的用户性别分析，首先明确一个概念区别（用户网站性别和用户线下性别），顾名思义，一个是用户真实性别，一个是用户在网站的行为性别，而真正对我们有意义的，当然是后者。因此，在考虑用户性别分析特征时，核心要素是考虑用户在平台购买过的类目行为（每款商品在设计之初，都会明确目标群体）。
但是，毕竟会存在很多用户是新用户 **，这也正是模型的冷启动问题。如果你认为算法是最厉害的，到这里，你会无能为力；但如果你够了解业务，了解数据，你会观察到用户的收货姓名（但，注意，经验表明，每一个电商购物用户，都可能会存在多个收货姓名 ? 甚至存在非姓名的收货姓名？剩下深入的细节，需要建模之处进行合理把控的）

Step4：When 什么时候去分析用户？（通过上面的分析，想必已经够清楚了，模型构建一定要场景化，也必然场景细分，也有就用户细分！这里主要分三类，a. 新用户，b. 购买行为数在一定范围内？c. 高频购买行为用户？

Step5：How 去分析用户性别？（整个二分类场景，模型被我放在最后，希望学习数据挖掘的同学，对于业务和算法的分量，要在心目中有分寸。这里会考虑冷启动模型、分类算法（比如朴素贝叶斯）和符号模型的组合。这里灌输一个思想：模型 ！= 单算法，而是由多算法 + 一系列规则逻辑组合而成)

[总结]：一堂课程，还是花了很多培训费，即使不能阐述太多，但我想，如果通过上述方式，会不会更恰当呢？

案例 2：很多学者不考虑大数据并发的实现，玩习惯性的单机版时间久了，很难走出这道坎。比如很多人用协同过滤，考虑过大数据量下大矩阵相乘的实现？

知其然，晓其所以然，万变不离其宗，必定变化莫测:

案例 3：很多使用算法，甚至数据清洗方式的同学，更多是将知道的方法组合在一起，认为这就是数据挖掘？

我想，这也许还是

网络课程给学习者带来的诟病吧！

因为课程上已经千篇一律的讲述了数据挖掘的流程体系，所以学习者都会这样做：
a. 业务场景需求出现：不假思索就采取能想到的特征变量；
b. 不考虑数据清洗，不考虑归一化，无量纲化处理，甚至异常和缺失值，就直接进入模型；
c. 不了解具体某一个算法的原理性，一味的用各种工具包，甚至扯上了 Spark，R，Mahout 和 python 等等，输入数据就 OK 了；
…很多很多，毕竟我不是批判者，我只是希望大家能够做一件正确的事，再正确做好这件事！

如果换做我，我会这样思考！

Step1：业务需求出现时，多向专业运营人员了解业务背景，结合自己理解，确定初步的特征变量，观察数据分布；

Step2：考虑异常值和缺失值处理（这些都是观察数据找到的思路），甚至结合数据分布，采取合适的无量纲化处理方式， 甚至一定程度上降维；

Step3：结合业务场景建模，用户群体细分，确定模型选择，以及所选算法，比如 NB（朴素贝叶斯）。

Step4：需要深入了解朴素贝叶斯的原理，知道优势和不足，甚至优化方向（比如：取 Log、加平滑曲线等）

[总结] 这里只是一个大概的思路，如果课堂时间允许情况下，用具体二分类（性别判别）的案例分析流程，这样学生能够领悟到更透彻。而不是一味的就那几步数据挖掘步骤！

在 DataMining 领域，不做两种人。一种是工具人，一种是研究者:

做数据挖掘，如果真正热爱这个行业，并希望落实想法，不推荐大家做以上两类人，工具人和研究者。
[工具人]：面试过很多人，（这里谈离线批处理）基本都是 Python(很多面试者被豆瓣电影评分的案例害得不浅啊！），很多一味追潮流，也整一个 Spark 来调包，认为就是懂数据挖掘了，甚至 Mahout 和 R 等等；
PS：我曾经反问一位面试者，如果让你招人，你会愿意选择，只会用包，缺乏思考怎么去用？为什么这样用？甚至如何改进和组合的人？ 显而易见，面试者的答案是不会招这样的人！
我这里不是批判工具如何不好，曾经大学，我也只是会用 Matlab、Spss，甚至 Lingo。毕业初期，也只是会用 Python 和 R 等。我主要说的是，优秀的模型，不单单是某一个算法能够解决的，其中还包括很多组合算法和逻辑规则。单独的使用工具，结合业务的个性化需求会得不到很好满足，甚至如果让你调优算法，一方面你缺乏算法原理的理解，另一方面，你修改源码的也会很费脑、费神啊！
[总结]：技术没什么吸引人的，它的魅力在于服务业务，通过业务发展来驱动技术提高。这里推荐 MapReduce！

[研究者] 这类人，不过多讨论，毕竟这个社会是需要这样一类人存在的，我也很佩服他们。 我前面说的前提是，如果真正热爱大数据下的数据挖掘，并落实想法，还是直接作为一个实践者吧！

拥有健康、丰满的数据，业务场景建模已经成功 90% 以上了

越到最后，阐述的理由会更少。因为，该说的都已经说了！只想劝各位数据挖掘爱好者、实践者或工作者.好的模型，不是用了如此 NB 的算法模型，而是优秀的泛化能力，而具备泛化能力的模型，缺乏良好的数据源，会是一棵长不大的树苗的；
Google 的阿法狗如此厉害，和它完备、真实和健康的数据源密不可分的！

本文已获作者授权转载，作者：汪榕，专注电商数据挖掘，数据化运营方面。

阅读原文

感谢杜小芳对本文的审校。

给InfoQ 中文站投稿或者参与内容翻译工作，请邮件至 editors@cn.infoq.com 。也欢迎大家通过新浪微博（ @InfoQ ， @丁晓昀），微信（微信号： InfoQChina ）关注我们。