QQ在線
企業(yè)微信
資訊
720越來越多的應(yīng)用涉及到大數(shù)據(jù)，不幸的是所有大數(shù)據(jù)的屬性，包括數(shù)量、速度、多樣性等等都是描述了數(shù)據(jù)庫不斷增長的復(fù)雜性。那么大數(shù)據(jù)給我們帶來了什么好處呢？大數(shù)據(jù)最大的好處在于能夠讓我們從這些數(shù)據(jù)中分析出很多智能的、深入的、有價(jià)值的信息。
最近比較了179種不同的分類學(xué)習(xí)方法（分類學(xué)習(xí)算法）在121個(gè)數(shù)據(jù)集上的性能，發(fā)現(xiàn)Random Forest（隨機(jī)森林）和SVM（支持向量機(jī)）分類準(zhǔn)確率最高，在大多數(shù)情況下超過其他方法。本文針對(duì)“大數(shù)據(jù)分析到底需要多少種工具？”
分類方法大比武
大數(shù)據(jù)分析主要依靠機(jī)器學(xué)習(xí)和大規(guī)模計(jì)算。機(jī)器學(xué)習(xí)包括監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等，而監(jiān)督學(xué)習(xí)又包括分類學(xué)習(xí)、回歸學(xué)習(xí)、排序?qū)W習(xí)、匹配學(xué)習(xí)等（見圖1）。分類是最常見的機(jī)器學(xué)習(xí)應(yīng)用問題，比如垃圾郵件過濾、人臉檢測、用戶畫像、文本情感分析、網(wǎng)頁歸類等，本質(zhì)上都是分類問題。分類學(xué)習(xí)也是機(jī)器學(xué)習(xí)領(lǐng)域，研究最徹底、使用最廣泛的一個(gè)分支。
圖1機(jī)器學(xué)習(xí)分類體系
最近、Fernández-Delgado等人在JMLR（Journal of Machine Learning Research，機(jī)器學(xué)習(xí)頂級(jí)期刊）雜志發(fā)表了一篇有趣的論文。他們讓179種不同的分類學(xué)習(xí)方法（分類學(xué)習(xí)算法）在UCI 121個(gè)數(shù)據(jù)集上進(jìn)行了“大比武”（UCI是機(jī)器學(xué)習(xí)公用數(shù)據(jù)集，每個(gè)數(shù)據(jù)集的規(guī)模都不大）。結(jié)果發(fā)現(xiàn)Random Forest（隨機(jī)森林）和SVM（支持向量機(jī)）名列第一、第二名，但兩者差異不大。在84.3%的數(shù)據(jù)上、Random Forest壓倒了其它90%的方法。也就是說，在大多數(shù)情況下，只用Random Forest 或 SVM事情就搞定了。
幾點(diǎn)經(jīng)驗(yàn)總結(jié)
大數(shù)據(jù)分析到底需要多少種機(jī)器學(xué)習(xí)的方法呢？圍繞著這個(gè)問題，我們看一下機(jī)器學(xué)習(xí)領(lǐng)域多年得出的一些經(jīng)驗(yàn)規(guī)律。
大數(shù)據(jù)分析性能的好壞，也就是說機(jī)器學(xué)習(xí)預(yù)測的準(zhǔn)確率，與使用的學(xué)習(xí)算法、問題的性質(zhì)、數(shù)據(jù)集的特性包括數(shù)據(jù)規(guī)模、數(shù)據(jù)特征等都有關(guān)系。
一般地，Ensemble方法包括Random Forest和AdaBoost、SVM、LogisTIc Regression 分類準(zhǔn)確率最高。
沒有一種方法可以“包打天下”。Random Forest、SVM等方法一般性能最好，但不是在什么條件下性能都最好。
不同的方法，當(dāng)數(shù)據(jù)規(guī)模小的時(shí)候，性能往往有較大差異，但當(dāng)數(shù)據(jù)規(guī)模增大時(shí)，性能都會(huì)逐漸提升且差異逐漸減小。也就是說，在大數(shù)據(jù)條件下，什么方法都能work的不錯(cuò)。參見圖2中Blaco & Brill的實(shí)驗(yàn)結(jié)果。
對(duì)于簡單問題，Random Forest、SVM等方法基本可行，但是對(duì)于復(fù)雜問題，比如語音識(shí)別、圖像識(shí)別，最近流行的深度學(xué)習(xí)方法往往效果更好。深度學(xué)習(xí)本質(zhì)是復(fù)雜模型學(xué)習(xí)，是今后研究的重點(diǎn)。
在實(shí)際應(yīng)用中，要提高分類的準(zhǔn)確率，選擇特征比選擇算法更重要。好的特征會(huì)帶來更好的分類結(jié)果，而好的特征的提取需要對(duì)問題的深入理解。
應(yīng)采取的大數(shù)據(jù)分析策略
建立大數(shù)據(jù)分析平臺(tái)時(shí)，選擇實(shí)現(xiàn)若干種有代表性的方法即可。當(dāng)然，不僅要考慮預(yù)測的準(zhǔn)確率，還有考慮學(xué)習(xí)效率、開發(fā)成本、模型可讀性等其他因素。大數(shù)據(jù)分析平臺(tái)固然重要，同時(shí)需要有一批能夠深入理解應(yīng)用問題，自如使用分析工具的工程師和分析人員。
只有善工利器，大數(shù)據(jù)分析才能真正發(fā)揮威力。
在工具學(xué)習(xí)上，入門工具推薦兩類：SQL（Structured Query Language）、Microsoft Office Excel，進(jìn)階工具推薦：SPSS ClemenTIne/Python。
1、SQL
SQL是數(shù)據(jù)提取工具，大中型企業(yè)都會(huì)建立自己的數(shù)據(jù)庫系統(tǒng)，常用數(shù)據(jù)會(huì)建立數(shù)據(jù)報(bào)表系統(tǒng)（常說的BI系統(tǒng)，即business intelligence），供業(yè)務(wù)人員使用。但深入業(yè)務(wù)分析需要更多的底層數(shù)據(jù)，報(bào)表系統(tǒng)里沒有呈現(xiàn)的數(shù)據(jù)，這時(shí)就需要使用SQL工具提取數(shù)據(jù)庫系統(tǒng)數(shù)據(jù)。
SQL工具很多，有oracle、mysql、sqlserver、hive等，除了細(xì)微差異，大多數(shù)SQL語句都通用。
SQL工具學(xué)習(xí)很容易，真正需要下功夫的是對(duì)數(shù)據(jù)庫表結(jié)構(gòu)的了解。從常用數(shù)據(jù)表了解，摸清數(shù)據(jù)指標(biāo)及含義，建立起表結(jié)構(gòu)間關(guān)系，完成日常工作數(shù)據(jù)提取工作為要。有精力的童鞋可以再去探索非常用數(shù)據(jù)表。
2、Microsoft Office Excel
Excel應(yīng)該是所有數(shù)據(jù)分析師的入門工具。除了一些常用功能使用外，就是使用數(shù)據(jù)透視表和多學(xué)習(xí)內(nèi)嵌函數(shù)，能省去不少工作量。除了數(shù)據(jù)量級(jí)處理有限外，Excel功能強(qiáng)大不能僅僅用強(qiáng)大來形容。高階Excel學(xué)習(xí)，可以繼續(xù)了解宏使用。
3、SPSS ClemenTIne/Python
在數(shù)據(jù)分析進(jìn)階路上，還有一類工具是：數(shù)據(jù)建模工具，如SPSS ClemenTIne、R、Python等。大數(shù)據(jù)時(shí)代，數(shù)據(jù)維度過于豐富，數(shù)據(jù)量級(jí)過于龐大，對(duì)于未知數(shù)據(jù)探索，手動(dòng)計(jì)算發(fā)現(xiàn)數(shù)據(jù)關(guān)系的工作量已經(jīng)過于繁重，交給這些數(shù)據(jù)模型工具就簡單多了。其內(nèi)嵌了大量精細(xì)的數(shù)據(jù)算法，我們需要做的就是掌握統(tǒng)計(jì)理論，掌握算法原理，輸入規(guī)范的數(shù)據(jù)，等待模型的結(jié)果。當(dāng)然，對(duì)模型的掌握，結(jié)論的解讀，業(yè)務(wù)的理解，都是使用建模工具必須要學(xué)習(xí)的
下面我總結(jié)了分析大數(shù)據(jù)的5個(gè)方面。
1. Analytic Visualizations（可視化分析）
不管是對(duì)數(shù)據(jù)分析專家還是普通用戶，數(shù)據(jù)可視化是數(shù)據(jù)分析工具最基本的要求。可視化可以直觀的展示數(shù)據(jù)，讓數(shù)據(jù)自己說話，讓觀眾聽到結(jié)果。
2. Data Mining Algorithms（數(shù)據(jù)挖掘算法）
可視化是給人看的，數(shù)據(jù)挖掘就是給機(jī)器看的。集群、分割、孤立點(diǎn)分析還有其他的算法讓我們深入數(shù)據(jù)內(nèi)部，挖掘價(jià)值。這些算法不僅要處理大數(shù)據(jù)的量，也要處理大數(shù)據(jù)的速度。
3. Predictive Analytic Capabilities（預(yù)測性分析能力）
數(shù)據(jù)挖掘可以讓分析員更好的理解數(shù)據(jù)，而預(yù)測性分析可以讓分析員根據(jù)可視化分析和數(shù)據(jù)挖掘的結(jié)果做出一些預(yù)測性的判斷。
4. Semantic Engines（語義引擎）
我們知道由于非結(jié)構(gòu)化數(shù)據(jù)的多樣性帶來了數(shù)據(jù)分析的新的挑戰(zhàn)，我們需要一系列的工具去解析、提取、分析數(shù)據(jù)。語義引擎需要被設(shè)計(jì)成能夠從“文檔”中智能提取信息。
5. Data Quality and Master Data Management（數(shù)據(jù)質(zhì)量和數(shù)據(jù)管理）
數(shù)據(jù)質(zhì)量和數(shù)據(jù)管理是一些管理方面的最佳實(shí)踐。通過標(biāo)準(zhǔn)化的流程和工具對(duì)數(shù)據(jù)進(jìn)行處理可以保證一個(gè)預(yù)先定義好的高質(zhì)量的分析結(jié)果。
假如大數(shù)據(jù)真的是下一個(gè)重要的技術(shù)革新的話，我們最好關(guān)注大數(shù)據(jù)能給我們帶來的好處，而不僅僅是挑戰(zhàn)。
