作为商业分析师，或多或少听过机器学习。你每天都在用它的产品，比如"猜你喜欢"、"预估配送时间"、"智能客服"等都是机器学习的具体应用。
今天我们就来聊聊最常用的三大类算法，以及使用机器学习时的两个关键注意事项。
不用担心，我会用最接地气的方式，让你轻松理解这些概念。
一、三大类机器学习算法1. 分类算法：预测"是或否"
想象一下，你是音乐APP的产品经理，每天面对海量的音乐数据，如何精准预测用户会喜欢哪些歌？
这就是一个典型的分类问题。
分类算法就像一个"是非题"，它的答案永远是确定的选项，比如"会喜欢/不会喜欢"，"是/否"，"A/B/C"等。
最常用的分类算法有：
决策树：就像是玩20个问题的游戏。比如：这首歌的风格是民谣吗？用户最近听过这个歌手的歌吗？用户是否经常在晚上听这类音乐？通过一系列问题，最终得出"用户可能会喜欢这首歌"的结论。决策树的优势在于可解释性强，你可以清晰地看到每个决策的依据。
随机森林：这个听起来很高大上，其实就是找100个人（100棵决策树）一起决策，少数服从多数。每个决策树都独立判断，互不干扰，最后投票决定。这样做的好处是，能够避免单个决策树的偏见，提高预测准确性。就像在公司做决策，集思广益总比一个人拍板要靠谱。
在商业分析中，分类算法的应用无处不在：
预测用户流失：通过分析用户的使用频率、最近登录时间、消费金额变化等特征，预测哪些用户可能会流失。这样我们就能提前对这些用户进行针对性的营销挽留。
欺诈检测：在金融领域，通过分析交易时间、金额、频率、地点等特征，判断一笔交易是否可能是欺诈。
商品推荐：结合用户的历史浏览、购买记录，以及商品的类别、价格等信息，预测用户是否会对某个商品感兴趣。
举个实际的例子：某电商平台想预测用户是否会在未来30天内购买某个商品。他们可能会考虑这些特征：
用户最近30天的浏览次数
用户是否将商品加入购物车
用户历史购买同类商品的频率
用户的客单价水平
商品的折扣力度
商品的库存状态
用户是否是会员
通过训练分类模型，就能得到一个预测结果："该用户有87%的概率会在未来30天内购买这个商品"。
2. 回归算法：预测具体数值
如果说分类算法是选择题，那回归算法就是填空题。你在使用滴滴打车的时候，你叫车前，它就能估算出价格。这就是回归算法在发挥作用。回归算法的特点是预测连续的数值，而不是离散的类别。
常见的回归算法包括：
线性回归：这是最基础的回归算法，假设特征和预测值之间存在线性关系。想象你坐公交车，每公里2元，这就是最简单的线性关系。在实际应用中，可能会考虑多个特征，比如预测房价时，不仅要考虑面积（每平米单价），还要考虑地段、楼层、装修等因素。
GBDT（梯度提升决策树）：这个名字听起来吓人，但实际很好理解。就像打高尔夫，第一杆打偏了，第二杆调整一点，第三杆再调整一点，每次都在纠正之前的误差，最终找到最好的路径。GBDT在工业界非常受欢迎，因为它能自动挖掘特征间的非线性关系，预测效果往往比线性回归好得多。
商业分析中的应用场景：
销量预测：预测未来一段时间内的商品销量，这对于库存管理和供应链优化至关重要。
广告点击率预测：在投放广告前，预估可能的点击率，这直接关系到广告位的定价和排序。
客户终身价值预测：预测一个客户在未来可能贡献的总收入，这对于制定差异化的客户服务策略非常重要。
3. 聚类算法：发现相似的群体
聚类算法就像是一个优秀的运营，能把相似的用户分到一组。用户运营就经常用聚类算法来发现不同的用户群体，这样就能精准推送内容了。与分类算法不同，聚类算法不需要预先知道分组的标准，它能自动发现数据中的模式。
两个常用的聚类算法：
K-Means：就像给羊分圈，先定好要分几个圈（K值），然后看哪只羊离哪个圈最近。这个过程会不断重复，直到每只羊都找到最合适的圈。K-Means的优点是简单高效，缺点是需要预先指定K值，而且对异常值比较敏感。
DBSCAN：这个更智能，它会自动发现人群密集的地方，就像在音乐节上发现不同的粉丝团。DBSCAN不需要预先指定分组数量，而是根据数据的密度自动划分，还能识别出异常点。缺点是对参数的设置比较敏感，需要一定的经验。
关于各类算法的特点，我总结了下面的表：
1. 所有模型都是错的，但有些是有用的
所有模型都是错的，但有些是有用的。
这句话不是我说的，是统计学家George Box说的。它告诉我们：不要追求完美的模型，要追求有用的模型。在商业分析中，这一点尤其重要。
假设有一位学生为了准备考试。
这个学生在复习时，只是简单地浏览了一下去年的考试内容，既没有记住题目，也没有深入理解知识点。他既没有对去年的题目产生深刻的理解，也没有掌握应对新题型的方法。
因此，当他面对去年的试卷时，错的很多；而到了正式考试，他依然没有足够的知识来应对这些新的问题。
在机器学习中，这种情况就是欠拟合。
欠拟合的模型就像这个没有深入学习的学生——模型过于简单，没有足够的能力去捕捉数据中的重要模式和规律，所以它在训练数据和测试数据上都表现不好。
如果他拿到了去年的考试卷子，并且把每一道题的答案都背得滚瓜烂熟。这种情况下，学生在做和去年的试卷一模一样的题目时，可能表现得非常好，分数很高。这就像模型在训练数据上表现非常好一样。
但是，到了正式考试时，考卷上的题目和去年的不完全一样，虽然有些题型类似，但题目细节发生了变化。由于学生只会死记硬背去年的答案，而没有真正理解知识，他在新的考题上可能表现得很差。这个学生在应对训练数据（去年的试卷）时表现得很好，但在测试数据（正式考试卷）上却失败了。
这就是过拟合。过拟合是指模型过于专注于训练数据中的细节和噪声，无法很好地应对新数据。
过拟合和欠拟合的平衡是很微妙的，真正能用的模型既不能欠拟合也不能过拟合。
那么如果两个模型效果差不多，怎么办？这种情况要遵循一个原则：奥卡姆剃刀。
意思是，如果两个模型效果差不多，那就选择更简单的那个。这就像你背单词，与其背一大堆近义词，不如先把最常用的掌握好。在实际工作中，我们经常会看到：
简单的决策树模型，可解释性强，同事容易理解
线性回归虽然简单，但在很多场景下效果足够好
复杂的深度学习模型，可能会过拟合，导致线上效果不稳定
2. 选对评估标准，避免南辕北辙
评估标准就像是考试的评分标准，选对了，才能评判模型的好坏。不同的业务场景，关注的重点不同，使用的评估标准也应该不同。
拿广告点击预测来说，我们经常用这些指标：
准确率（Precision）：预测点击的广告中，真正被点击的比例
召回率（Recall）：所有被点击的广告中，被正确预测的比例
F1分数：准确率和召回率的调和平均数，平衡两者的取舍
选择哪个指标？要看你的目标：
如果预算有限，追求精准，就看准确率
如果怕错过机会，宁可多投，就看召回率
如果两者都想兼顾，可以看F1分数
预测情况 | 实际点击 | 实际不点击 |
预测点击 | 真正例(TP) | 假正例(FP) |
预测不点击 | 假负例(FN) | 真负例(TN) |
准确率 = TP / (TP + FP)
召回率 = TP / (TP + FN)
F1 = 2 * (准确率 * 召回率) / (准确率 + 召回率)
在实际工作中，选择评估指标时需要注意：
考虑业务成本：有时候假正例和假负例的成本不一样，比如在欺诈检测中，把正常交易判断为欺诈（假正例）的成本，可能远小于把欺诈交易判断为正常（假负例）的成本
数据不平衡：在用户流失预测中，流失用户往往是少数，这时候准确率可能会产生误导，应该更关注召回率
综合多个指标：不要只看单个指标，应该综合考虑多个指标，全面评估模型性能
现在一般商业分析师不太自己做机器学习的分析，而是交给算法工程师。
不过学习机器学习，就像学开车。你不需要知道发动机的每个零件，但要知道什么时候该用什么档位。作为商业分析师，你需要掌握这些基础概念，就能遇到合适的问题的时候，想起可以用机器学习解决这类问题。
·END·
看完觉得写得好的，不防打赏一元，以支持蓝海情报网揭秘更多好的项目。
感谢您的支持，我会继续努力的!
打开支付宝扫一扫，即可进行扫码打赏哦
手机直接保存图片,扫一扫识别二维码,即可进行扫码打赏哦
