数据挖掘基本流程

对于刚入门的数据挖掘小伙伴们，先要建立一个数据挖掘的流程概念。

首先，我们拿到相应的数据，这个数据有的是通过数据库，利用hive或者SQL获取你用于分析的数据；或者直接通过一些上游分析得到的数据(例如通过生物信息分析流程得到的初步结果)。

拿到数据之后，需要先对数据进行一个初步探索，需要去了解数据的各个纬度信息：

 

第一步，对数据的了解和可视化

1、几行几列，有多少个特征，多少样本

2、是否有缺失值，看看缺失值的情况

3、看数据类型，是否有一些字符型数据，因为后续的模型需要用到的是数值型数据

4、对数据做个可视化，看看数据长什么样

 

第二步，对目标的了解以及对数据的初步处理

1、对数据挖掘的目标要有所理解，通过理解，可以进行这一步的主要分析

2、缺失值：通过对数据以及目标的理解，看看 a、是否可以直接删除该缺失数据 b、如果不能删除，用什么样的方法填充它比较好，常见的有均值，中位数，或者拉格朗日法，牛顿法等填充。这个填充要基于对数据的了解，才方便自己选择具体方法进行处理，例如你的数据可能是由于低于某些仪器的检测下限所造成缺失的，那么可以用0来填充。

3、异常值：看数据是否处于异常，可以用 3σ原则，PCA，箱线图等等，至于是否要处理也要看建模的目标对于异常值的考虑。

 

第三步，数据预处理

主要是对数据进行归一化，标准化，字符型数据转化成数值性数据，包括min-max,z-score, one-hot

 

第四步，特征工程

经历了数据的预处理之后，接下去就是进行特征工程了，特征工程顾名思义就是对数据里面的特征进行一个操作，选择后续可以提高模型效果的特征。

1、相关性分析，选择一些与目标强相关性的特征

2、递归法，一开始，可以让所有特征进入模型，之后利用模型选择出来的important_feature得到重要特征，再选择top n的特征(n由自己选择)进入模型训练

3、还有其他一些方法(后续补充)

 

第五步，建立模型

在进行特征工程之后，我们一般会建立2-3个模型，来比较这几个模型在这个任务上哪个模型更好。

例如：

分类模型：KNN、贝叶斯分类、决策树、随机森林、SVM、逻辑回归。。。

回归模型：简单线性回归、多重线性回归、一元非线性回归、lasso回归、岭回归。。。

聚类模型：k-means、DBSCAN密度法、层次聚类法。。。

那么一般这些模型大家都可以直接使用sklearn中对应的模型。

 

 

第六步，模型优化

选择好模型之后，对于模型性能的进一步优化也是非常重要的，

模型的参数优化：网格搜索、随机搜索，选择最优的模型参数

k-折交叉验证，避免过拟合

模型评价：一般模型评价有准确率(分类模型)，或者RMSE,R2(回归模型)等，当然也有F1-score(分类问题里面数据不平衡情况)等。

 

以上内容是初步的一个内容，也是数据挖掘的基本流程，后续会对每一步进一步的展开说明，并且有相关的数据来展示。

 

第一次用博客来记录自己的学习内容，希望可以通过这个平台多输出一些优质的内容。

如有需要联系我的话，可以发email给我：18868801916@163.com

 

参考资料：

特征选择方法总结 (qq.com)

一文全览机器学习建模流程（Python 代码） (qq.com)