作為商業(yè)分析師，或多或少聽過機器學習。你每天都在用它的產(chǎn)品，比如"猜你喜歡"、"預估配送時間"、"智能客服"等都是機器學習的具體應用。

今天我們就來聊聊最常用的三大類算法，以及使用機器學習時的兩個關鍵注意事項。

不用擔心，我會用最接地氣的方式，讓你輕松理解這些概念。

一、三大類機器學習算法

1. 分類算法：預測"是或否"

想象一下，你是音樂APP的產(chǎn)品經(jīng)理，每天面對海量的音樂數(shù)據(jù)，如何精準預測用戶會喜歡哪些歌？

這就是一個典型的分類問題。

分類算法就像一個"是非題"，它的答案永遠是確定的選項，比如"會喜歡/不會喜歡"，"是/否"，"A/B/C"等。

最常用的分類算法有：

• 決策樹：就像是玩20個問題的游戲。比如：這首歌的風格是民謠嗎？用戶最近聽過這個歌手的歌嗎？用戶是否經(jīng)常在晚上聽這類音樂？通過一系列問題，最終得出"用戶可能會喜歡這首歌"的結論。決策樹的優(yōu)勢在于可解釋性強，你可以清晰地看到每個決策的依據(jù)。

• 隨機森林：這個聽起來很高大上，其實就是找100個人（100棵決策樹）一起決策，少數(shù)服從多數(shù)。每個決策樹都獨立判斷，互不干擾，最后投票決定。這樣做的好處是，能夠避免單個決策樹的偏見，提高預測準確性。就像在公司做決策，集思廣益總比一個人拍板要靠譜。

在商業(yè)分析中，分類算法的應用無處不在：

1. 預測用戶流失：通過分析用戶的使用頻率、最近登錄時間、消費金額變化等特征，預測哪些用戶可能會流失。這樣我們就能提前對這些用戶進行針對性的營銷挽留。

2. 欺詐檢測：在金融領域，通過分析交易時間、金額、頻率、地點等特征，判斷一筆交易是否可能是欺詐。

3. 商品推薦：結合用戶的歷史瀏覽、購買記錄，以及商品的類別、價格等信息，預測用戶是否會對某個商品感興趣。

舉個實際的例子：某電商平臺想預測用戶是否會在未來30天內(nèi)購買某個商品。他們可能會考慮這些特征：

• 用戶最近30天的瀏覽次數(shù)

• 用戶是否將商品加入購物車

• 用戶歷史購買同類商品的頻率

• 用戶的客單價水平

• 商品的折扣力度

• 商品的庫存狀態(tài)

• 用戶是否是會員

通過訓練分類模型，就能得到一個預測結果："該用戶有87%的概率會在未來30天內(nèi)購買這個商品"。

2. 回歸算法：預測具體數(shù)值

如果說分類算法是選擇題，那回歸算法就是填空題。你在使用滴滴打車的時候，你叫車前，它就能估算出價格。這就是回歸算法在發(fā)揮作用?；貧w算法的特點是預測連續(xù)的數(shù)值，而不是離散的類別。

常見的回歸算法包括：

• 線性回歸：這是最基礎的回歸算法，假設特征和預測值之間存在線性關系。想象你坐公交車，每公里2元，這就是最簡單的線性關系。在實際應用中，可能會考慮多個特征，比如預測房價時，不僅要考慮面積（每平米單價），還要考慮地段、樓層、裝修等因素。

• GBDT（梯度提升決策樹）：這個名字聽起來嚇人，但實際很好理解。就像打高爾夫，第一桿打偏了，第二桿調(diào)整一點，第三桿再調(diào)整一點，每次都在糾正之前的誤差，最終找到最好的路徑。GBDT在工業(yè)界非常受歡迎，因為它能自動挖掘特征間的非線性關系，預測效果往往比線性回歸好得多。

商業(yè)分析中的應用場景：

1. 銷量預測：預測未來一段時間內(nèi)的商品銷量，這對于庫存管理和供應鏈優(yōu)化至關重要。

2. 廣告點擊率預測：在投放廣告前，預估可能的點擊率，這直接關系到廣告位的定價和排序。

3. 客戶終身價值預測：預測一個客戶在未來可能貢獻的總收入，這對于制定差異化的客戶服務策略非常重要。

3. 聚類算法：發(fā)現(xiàn)相似的群體

聚類算法就像是一個優(yōu)秀的運營，能把相似的用戶分到一組。用戶運營就經(jīng)常用聚類算法來發(fā)現(xiàn)不同的用戶群體，這樣就能精準推送內(nèi)容了。與分類算法不同，聚類算法不需要預先知道分組的標準，它能自動發(fā)現(xiàn)數(shù)據(jù)中的模式。

兩個常用的聚類算法：

• K-Means：就像給羊分圈，先定好要分幾個圈（K值），然后看哪只羊離哪個圈最近。這個過程會不斷重復，直到每只羊都找到最合適的圈。K-Means的優(yōu)點是簡單高效，缺點是需要預先指定K值，而且對異常值比較敏感。

• DBSCAN：這個更智能，它會自動發(fā)現(xiàn)人群密集的地方，就像在音樂節(jié)上發(fā)現(xiàn)不同的粉絲團。DBSCAN不需要預先指定分組數(shù)量，而是根據(jù)數(shù)據(jù)的密度自動劃分，還能識別出異常點。缺點是對參數(shù)的設置比較敏感，需要一定的經(jīng)驗。

關于各類算法的特點，我總結了下面的表：

二、用好機器學習，這兩點你必須知道

1. 所有模型都是錯的，但有些是有用的

所有模型都是錯的，但有些是有用的。

這句話不是我說的，是統(tǒng)計學家George Box說的。它告訴我們：不要追求完美的模型，要追求有用的模型。在商業(yè)分析中，這一點尤其重要。

假設有一位學生為了準備考試。

這個學生在復習時，只是簡單地瀏覽了一下去年的考試內(nèi)容，既沒有記住題目，也沒有深入理解知識點。他既沒有對去年的題目產(chǎn)生深刻的理解，也沒有掌握應對新題型的方法。

因此，當他面對去年的試卷時，錯的很多；而到了正式考試，他依然沒有足夠的知識來應對這些新的問題。

在機器學習中，這種情況就是欠擬合。

欠擬合的模型就像這個沒有深入學習的學生——模型過于簡單，沒有足夠的能力去捕捉數(shù)據(jù)中的重要模式和規(guī)律，所以它在訓練數(shù)據(jù)和測試數(shù)據(jù)上都表現(xiàn)不好。

如果他拿到了去年的考試卷子，并且把每一道題的答案都背得滾瓜爛熟。這種情況下，學生在做和去年的試卷一模一樣的題目時，可能表現(xiàn)得非常好，分數(shù)很高。這就像模型在訓練數(shù)據(jù)上表現(xiàn)非常好一樣。

但是，到了正式考試時，考卷上的題目和去年的不完全一樣，雖然有些題型類似，但題目細節(jié)發(fā)生了變化。由于學生只會死記硬背去年的答案，而沒有真正理解知識，他在新的考題上可能表現(xiàn)得很差。這個學生在應對訓練數(shù)據(jù)（去年的試卷）時表現(xiàn)得很好，但在測試數(shù)據(jù)（正式考試卷）上卻失敗了。

這就是過擬合。過擬合是指模型過于專注于訓練數(shù)據(jù)中的細節(jié)和噪聲，無法很好地應對新數(shù)據(jù)。

過擬合和欠擬合的平衡是很微妙的，真正能用的模型既不能欠擬合也不能過擬合。

那么如果兩個模型效果差不多，怎么辦？這種情況要遵循一個原則：奧卡姆剃刀。

意思是，如果兩個模型效果差不多，那就選擇更簡單的那個。這就像你背單詞，與其背一大堆近義詞，不如先把最常用的掌握好。在實際工作中，我們經(jīng)常會看到：

1. 簡單的決策樹模型，可解釋性強，同事容易理解

2. 線性回歸雖然簡單，但在很多場景下效果足夠好

3. 復雜的深度學習模型，可能會過擬合，導致線上效果不穩(wěn)定

 

2. 選對評估標準，避免南轅北轍

評估標準就像是考試的評分標準，選對了，才能評判模型的好壞。不同的業(yè)務場景，關注的重點不同，使用的評估標準也應該不同。

拿廣告點擊預測來說，我們經(jīng)常用這些指標：

• 準確率（Precision）：預測點擊的廣告中，真正被點擊的比例

• 召回率（Recall）：所有被點擊的廣告中，被正確預測的比例

• F1分數(shù)：準確率和召回率的調(diào)和平均數(shù)，平衡兩者的取舍

選擇哪個指標？要看你的目標：

• 如果預算有限，追求精準，就看準確率

• 如果怕錯過機會，寧可多投，就看召回率

• 如果兩者都想兼顧，可以看F1分數(shù)

預測情況	實際點擊	實際不點擊
預測點擊	真正例(TP)	假正例(FP)
預測不點擊	假負例(FN)	真負例(TN)

• 準確率 = TP / (TP + FP)

• 召回率 = TP / (TP + FN)

• F1 = 2 * (準確率 * 召回率) / (準確率 + 召回率)

在實際工作中，選擇評估指標時需要注意：

1. 考慮業(yè)務成本：有時候假正例和假負例的成本不一樣，比如在欺詐檢測中，把正常交易判斷為欺詐（假正例）的成本，可能遠小于把欺詐交易判斷為正常（假負例）的成本

2. 數(shù)據(jù)不平衡：在用戶流失預測中，流失用戶往往是少數(shù)，這時候準確率可能會產(chǎn)生誤導，應該更關注召回率

3. 綜合多個指標：不要只看單個指標，應該綜合考慮多個指標，全面評估模型性能

結語

現(xiàn)在一般商業(yè)分析師不太自己做機器學習的分析，而是交給算法工程師。

不過學習機器學習，就像學開車。你不需要知道發(fā)動機的每個零件，但要知道什么時候該用什么檔位。作為商業(yè)分析師，你需要掌握這些基礎概念，就能遇到合適的問題的時候，想起可以用機器學習解決這類問題。

 

·END·

 

看完覺得寫得好的，不防打賞一元，以支持藍海情報網(wǎng)揭秘更多好的項目。

標簽： 標簽 內(nèi)容 隨筆