很可惜 T 。T 您現(xiàn)在還不是作者身份，不能自主發(fā)稿哦～
如有投稿需求，請把文章發(fā)送到郵箱tougao@appcpx.com，一經(jīng)錄用會有專人和您聯(lián)系
咨詢?nèi)绾纬蔀榇河鹱髡哒埪?lián)系：鳥哥筆記小羽毛（ngbjxym）
日常的數(shù)據(jù)分析工作中，除了基本的拆解法、對比法做分析外，也經(jīng)常需要用到模型的方法來做預測或者分類。這里會介紹建模分析的基本流程及常見處理方法。
在拿到數(shù)據(jù)后，不能著急立刻開始清洗數(shù)據(jù)或者模型訓練，而是先了解數(shù)據(jù)（除建模分析外，其他的數(shù)據(jù)開發(fā)也要做這一步），這樣才能避免后期的踩坑，否則十有八九是要復工的。那“了解數(shù)據(jù)”這一環(huán)節(jié)，具體要了解哪些東西呢？
了解各個特征的業(yè)務含義和計算邏輯
各個特征的分布是否符合預期
特征之間的相關性如何，是否符合基本邏輯
特征和目標值的相關性如何，是否符合基本邏輯
在相關性分析這里，數(shù)值型變量之間可通過計算相關系數(shù)或者畫圖呈現(xiàn)；數(shù)值型變量和分類變量可通過箱線圖呈現(xiàn)關系。
在初步了解數(shù)據(jù)后，需要做一些數(shù)據(jù)預處理的行為。第一步就是對缺失值處理，一般根據(jù)樣本量多少以及缺失比例，來判斷是“寧缺毋濫”的刪除，還是缺失值填充。具體處理的思路可以是這樣的：
統(tǒng)計計算樣本量n，各個特征數(shù)據(jù)缺失率y，各樣本數(shù)據(jù)特征缺失率x
特征缺失率x比較高的樣本一般都建議刪除；因為多個特征都缺失，填補也比較困難，即使填補信息偏差也會比較大。
如果某特征缺失率y比較大，則刪除此特征；如果特征缺失率低且樣本量比較大的話，可刪除特征缺失的樣本。如果樣本量少不可刪除，則對缺失值做填充。
根據(jù)特征的眾數(shù)、中位數(shù)或者平均值來填充；也可以對樣本做分類，根據(jù)所在類的平均值眾數(shù)等填充；
通過回歸法來做樣本填充，缺失值作為因變量，其他特征做自變量去預測；
還可通過比較復雜的方法，如多重插補法。
處理完缺失值后，需要做異常數(shù)據(jù)處理。之前介紹過一篇異常數(shù)據(jù)處理的方法，數(shù)據(jù)分析-異常數(shù)據(jù)識別；這篇介紹了多種適應不同場景下的異常數(shù)據(jù)識別方法。
對于很多模型，如線性回歸、邏輯回歸、Kmeans聚類等，需要計算不同特征的系數(shù)，或者計算樣本距離。這種情況下，如果不同特征的數(shù)值量級差的特別大，會嚴重影響系數(shù)和距離的計算，甚至這種計算都會失去意義。所以在建模前必須要做的就是要去量綱，做標準化處理。當然有些模型是不需要做數(shù)據(jù)標準化處理的，如決策樹、隨機森林、樸素貝葉斯等。
1. 最小—最大規(guī)范化
(x-min)/(max-min)，將其規(guī)范到[0,1]之間
2. z值規(guī)范化
(x-均值)/標準差，將其規(guī)范為均值為0，標準差為1；
如果這種情況，受離群點影響比較大的話，可以用中位數(shù)代替均值，用絕對標準差代替標準差。
還需要注意的是，如果樣本分布非常有偏的話，可以先做box-cox變換，將其往正態(tài)分布變換后再標準化。
在做完基本的數(shù)據(jù)清洗以及特征變換后，需要做的是特征選擇，一般做特征選擇的原因是：
某些特征存在多重共線性，這種情況對線性回歸和邏輯回歸影響比較大；
特征太多，有些特征增加了模型復雜性卻與模型無關，不能全部入模，需要篩選出價值更高的特征。
是什么：模型的解釋變量之間由于存在精確相關關系或高度相關關系而使模型估計失真或難以估計準確；
1）影響模型的穩(wěn)定性，而且影響模型的解釋；
舉個例子，假設消費支出=0.3*收入，這樣可能的模型輸出的是：
消費支出+收入
1.3*收入
1.6*收入-消費支出
同樣的數(shù)值輸出，不同的公式計算，會非常模型解釋和穩(wěn)定性的。
2）線性回歸模型，會導致最小二乘估計無法計算系數(shù)，即使可計算系數(shù)方差也很大，即1）中提到的不穩(wěn)定。
計算特征之間的相關系數(shù)，對于相關性特別高的特征，根據(jù)業(yè)務需要保留有代表性的特征
方差膨脹因子（VIF）
計算每個特征被其他特征擬合的情況，如特征j，被其他特征線性擬合的決定系數(shù)為R2；通常擬合越好，決定系數(shù)就越大且最大可達到1。
所以，當方差膨脹因子過大，說明此特征存在多重共線性。一般大于10會認為有比較強的多重共線性問題。
刪除共線性強的特征
線性回歸模型的話，可采用嶺回歸的估算方式解決
不同的模型和應用場景下特征篩選方式不同：
對于二分類問題來說，篩選邏輯是：篩選出對二分類結(jié)果區(qū)分度比較高的特征；可以通過計算IV（information value）值的大小來篩選，一般IV值越大，此特征對二分類結(jié)果更有區(qū)分度。
對于回歸預測問題，主要針對多元線性回歸。篩選特征的方法有：
特征子集選擇法、正則化法以及降維法。
1. 特征子集選擇法
特征子集選擇法有向前逐步選擇法和向后逐步選擇法：
向前逐步選擇
具體方法就是從0個特征開始，一個一個逐步從剩余特征中添加使得模型擬合誤差最小的特征，在添加過程中得到模型擬合最優(yōu)的特征組合。
向后逐步選擇
和向前逐步選擇類似，只是反過來了，讓所有特征入模，再一步一步剔除效果不好的特征，從而達到最優(yōu)。
2. 正則化壓縮無意義特征的系數(shù)
比較好用的方法是lasso。一般的線形回歸我們只會希望它的誤差平方和最小，但是lasso的目標函數(shù)在原有目標函數(shù)后面加了一項系數(shù)懲罰項。這樣讓目標函數(shù)最小，可以實現(xiàn)無意義特征的系數(shù)為0，從而實現(xiàn)特征選擇。
3. PCA降維
這個是將原有有一定線性關系的特征線形組合成新的相互獨立的特征，所以不適合原有特征已經(jīng)相互獨立的情況。
以上就是數(shù)據(jù)建模的前期準備流程，做完這些內(nèi)容就可以開始模型訓練，對模型結(jié)果進行預測分析啦，而這部分則是不同模型會有不同的具體處理方法?？傊Ｐ陀柧毲暗臄?shù)據(jù)分析、數(shù)據(jù)清洗以及特征選擇非常重要，甚至他們是決定建模是否成功的關鍵因素，所以這部分工作一定要做細做準確。
感謝閱讀，以上就是我要分享的內(nèi)容 ^_^
-END-
本文為作者獨立觀點，不代表鳥哥筆記立場，未經(jīng)允許不得轉(zhuǎn)載。
《鳥哥筆記版權及免責申明》 如對文章、圖片、字體等版權有疑問，請點擊 反饋舉報
我們致力于提供一個高質(zhì)量內(nèi)容的交流平臺。為落實國家互聯(lián)網(wǎng)信息辦公室“依法管網(wǎng)、依法辦網(wǎng)、依法上網(wǎng)”的要求，為完善跟帖評論自律管理，為了保護用戶創(chuàng)造的內(nèi)容、維護開放、真實、專業(yè)的平臺氛圍，我們團隊將依據(jù)本公約中的條款對注冊用戶和發(fā)布在本平臺的內(nèi)容進行管理。平臺鼓勵用戶創(chuàng)作、發(fā)布優(yōu)質(zhì)內(nèi)容，同時也將采取必要措施管理違法、侵權或有其他不良影響的網(wǎng)絡信息。
一、根據(jù)《網(wǎng)絡信息內(nèi)容生態(tài)治理規(guī)定》《中華人民共和國未成年人保護法》等法律法規(guī)，對以下違法、不良信息或存在危害的行為進行處理。
1. 違反法律法規(guī)的信息，主要表現(xiàn)為：
1)反對憲法所確定的基本原則；
2)危害國家安全，泄露國家秘密，顛覆國家政權，破壞國家統(tǒng)一，損害國家榮譽和利益；
3)侮辱、濫用英烈形象，歪曲、丑化、褻瀆、否定英雄烈士事跡和精神，以侮辱、誹謗或者其他方式侵害英雄烈士的姓名、肖像、名譽、榮譽；
4)宣揚恐怖主義、極端主義或者煽動實施恐怖活動、極端主義活動；
5)煽動民族仇恨、民族歧視，破壞民族團結(jié)；
6)破壞國家宗教政策，宣揚邪教和封建迷信；
7)散布謠言，擾亂社會秩序，破壞社會穩(wěn)定；
8)宣揚淫穢、色情、賭博、暴力、兇殺、恐怖或者教唆犯罪；
9)煽動非法集會、結(jié)社、游行、示威、聚眾擾亂社會秩序；
10)侮辱或者誹謗他人，侵害他人名譽、隱私和其他合法權益；
11)通過網(wǎng)絡以文字、圖片、音視頻等形式，對未成年人實施侮辱、誹謗、威脅或者惡意損害未成年人形象進行網(wǎng)絡欺凌的；
12)危害未成年人身心健康的；
13)含有法律、行政法規(guī)禁止的其他內(nèi)容；
2. 不友善：不尊重用戶及其所貢獻內(nèi)容的信息或行為。主要表現(xiàn)為：
1)輕蔑：貶低、輕視他人及其勞動成果；
2)誹謗：捏造、散布虛假事實，損害他人名譽；
3)嘲諷：以比喻、夸張、侮辱性的手法對他人或其行為進行揭露或描述，以此來激怒他人；
4)挑釁：以不友好的方式激怒他人，意圖使對方對自己的言論作出回應，蓄意制造事端；
5)羞辱：貶低他人的能力、行為、生理或身份特征，讓對方難堪；
6)謾罵：以不文明的語言對他人進行負面評價；
7)歧視：煽動人群歧視、地域歧視等，針對他人的民族、種族、宗教、性取向、性別、年齡、地域、生理特征等身份或者歸類的攻擊；
8)威脅：許諾以不良的后果來迫使他人服從自己的意志；
3. 發(fā)布垃圾廣告信息：以推廣曝光為目的，發(fā)布影響用戶體驗、擾亂本網(wǎng)站秩序的內(nèi)容，或進行相關行為。主要表現(xiàn)為：
1)多次發(fā)布包含售賣產(chǎn)品、提供服務、宣傳推廣內(nèi)容的垃圾廣告。包括但不限于以下幾種形式：
2)單個帳號多次發(fā)布包含垃圾廣告的內(nèi)容；
3)多個廣告帳號互相配合發(fā)布、傳播包含垃圾廣告的內(nèi)容；
4)多次發(fā)布包含欺騙性外鏈的內(nèi)容，如未注明的淘寶客鏈接、跳轉(zhuǎn)網(wǎng)站等，誘騙用戶點擊鏈接
5)發(fā)布大量包含推廣鏈接、產(chǎn)品、品牌等內(nèi)容獲取搜索引擎中的不正當曝光；
6)購買或出售帳號之間虛假地互動，發(fā)布干擾網(wǎng)站秩序的推廣內(nèi)容及相關交易。
7)發(fā)布包含欺騙性的惡意營銷內(nèi)容，如通過偽造經(jīng)歷、冒充他人等方式進行惡意營銷；
8)使用特殊符號、圖片等方式規(guī)避垃圾廣告內(nèi)容審核的廣告內(nèi)容。
4. 色情低俗信息，主要表現(xiàn)為：
1)包含自己或他人性經(jīng)驗的細節(jié)描述或露骨的感受描述；
2)涉及色情段子、兩性笑話的低俗內(nèi)容；
3)配圖、頭圖中包含庸俗或挑逗性圖片的內(nèi)容；
4)帶有性暗示、性挑逗等易使人產(chǎn)生性聯(lián)想；
5)展現(xiàn)血腥、驚悚、殘忍等致人身心不適；
6)炒作緋聞、丑聞、劣跡等；
7)宣揚低俗、庸俗、媚俗內(nèi)容。
5. 不實信息，主要表現(xiàn)為：
1)可能存在事實性錯誤或者造謠等內(nèi)容；
2)存在事實夸大、偽造虛假經(jīng)歷等誤導他人的內(nèi)容；
3)偽造身份、冒充他人，通過頭像、用戶名等個人信息暗示自己具有特定身份，或與特定機構或個人存在關聯(lián)。
6. 傳播封建迷信，主要表現(xiàn)為：
1)找人算命、測字、占卜、解夢、化解厄運、使用迷信方式治??；
2)求推薦算命看相大師；
3)針對具體風水等問題進行求助或咨詢；
4)問自己或他人的八字、六爻、星盤、手相、面相、五行缺失，包括通過占卜方法問婚姻、前程、運勢，東西寵物丟了能不能找回、取名改名等；
7. 文章標題黨，主要表現(xiàn)為：
1)以各種夸張、獵奇、不合常理的表現(xiàn)手法等行為來誘導用戶；
2)內(nèi)容與標題之間存在嚴重不實或者原意扭曲；
3)使用夸張標題，內(nèi)容與標題嚴重不符的。
8.「飯圈」亂象行為，主要表現(xiàn)為：
1)誘導未成年人應援集資、高額消費、投票打榜
2)粉絲互撕謾罵、拉踩引戰(zhàn)、造謠攻擊、人肉搜索、侵犯隱私
3)鼓動「飯圈」粉絲攀比炫富、奢靡享樂等行為
4)以號召粉絲、雇用網(wǎng)絡水軍、「養(yǎng)號」形式刷量控評等行為
5)通過「蹭熱點」、制造話題等形式干擾輿論，影響傳播秩序
9. 其他危害行為或內(nèi)容，主要表現(xiàn)為：
1)可能引發(fā)未成年人模仿不安全行為和違反社會公德行為、誘導未成年人不良嗜好影響未成年人身心健康的；
2)不當評述自然災害、重大事故等災難的；
3)美化、粉飾侵略戰(zhàn)爭行為的；
4)法律、行政法規(guī)禁止，或可能對網(wǎng)絡生態(tài)造成不良影響的其他內(nèi)容。
二、違規(guī)處罰
本網(wǎng)站通過主動發(fā)現(xiàn)和接受用戶舉報兩種方式收集違規(guī)行為信息。所有有意的降低內(nèi)容質(zhì)量、傷害平臺氛圍及欺凌未成年人或危害未成年人身心健康的行為都是不能容忍的。
當一個用戶發(fā)布違規(guī)內(nèi)容時，本網(wǎng)站將依據(jù)相關用戶違規(guī)情節(jié)嚴重程度，對帳號進行禁言 1 天、7 天、15 天直至永久禁言或封停賬號的處罰。當涉及欺凌未成年人、危害未成年人身心健康、通過作弊手段注冊、使用帳號，或者濫用多個帳號發(fā)布違規(guī)內(nèi)容時，本網(wǎng)站將加重處罰。
三、申訴
隨著平臺管理經(jīng)驗的不斷豐富，本網(wǎng)站出于維護本網(wǎng)站氛圍和秩序的目的，將不斷完善本公約。
如果本網(wǎng)站用戶對本網(wǎng)站基于本公約規(guī)定做出的處理有異議，可以通過「建議反饋」功能向本網(wǎng)站進行反饋。
(規(guī)則的最終解釋權歸屬本網(wǎng)站所有)