Python數(shù)據(jù)建模

【課程目標(biāo)】

本課程主要講解如何利用Python進(jìn)行時(shí)間序列的數(shù)據(jù)建模。

通過(guò)本課程的學(xué)習(xí)，達(dá)到如下目的：

1、 掌握數(shù)據(jù)建模的標(biāo)準(zhǔn)流程。

2、 掌握各種分類預(yù)測(cè)模型的原理，以及算法實(shí)現(xiàn)。

3、 掌握各種分類模型類的重要參數(shù)，以及應(yīng)用。

4、 掌握模型的評(píng)估指標(biāo)、評(píng)估方法，以及過(guò)擬合評(píng)估。

5、 掌握模型優(yōu)化的基本方法，學(xué)會(huì)超參優(yōu)化。

6、 掌握集成優(yōu)化思想，掌握高級(jí)的分類模型。

7、 

【授課時(shí)間】

2-5天時(shí)間

（要根據(jù)學(xué)員的實(shí)際情況調(diào)整重點(diǎn)內(nèi)容及時(shí)間）

【授課對(duì)象】

業(yè)務(wù)支持部、IT系統(tǒng)部、大數(shù)據(jù)系統(tǒng)開發(fā)部、大數(shù)據(jù)分析中心、網(wǎng)絡(luò)運(yùn)維部等相關(guān)技術(shù)人員。

【學(xué)員要求】

1、 每個(gè)學(xué)員自備一臺(tái)便攜機(jī)(必須)。

2、 便攜機(jī)中事先安裝好Python 3.9版本及以上。

3、 安裝好Numpy,Pandas,statsmodels,sklearn,scipy等常用庫(kù)。

注：講師現(xiàn)場(chǎng)提供分析的數(shù)據(jù)源。

【授課方式】

建模流程+ 案例演練 + 開發(fā)實(shí)踐 + 可視化呈現(xiàn)

采用互動(dòng)式教學(xué)，圍繞業(yè)務(wù)問(wèn)題，展開數(shù)據(jù)分析過(guò)程，全過(guò)程演練操作，讓學(xué)員在分析、分享、講授、總結(jié)、自我實(shí)踐過(guò)程中獲得能力提升。

【課程大綱】

第一部分： 預(yù)測(cè)建?；A(chǔ)

1、 數(shù)據(jù)建模六步法

? 選擇模型：基于業(yè)務(wù)選擇恰當(dāng)?shù)臄?shù)據(jù)模型

? 屬性篩選：選擇對(duì)目標(biāo)變量有顯著影響的屬性來(lái)建模

? 訓(xùn)練模型：采用合適的算法，尋找到最合適的模型參數(shù)

? 評(píng)估模型：進(jìn)行評(píng)估模型的質(zhì)量，判斷模型是否可用

? 優(yōu)化模型：如果評(píng)估結(jié)果不理想，則需要對(duì)模型進(jìn)行優(yōu)化

? 應(yīng)用模型：如果評(píng)估結(jié)果滿足要求，則可應(yīng)用模型于業(yè)務(wù)場(chǎng)景

2、 數(shù)據(jù)挖掘常用的模型

? 數(shù)值預(yù)測(cè)模型：回歸預(yù)測(cè)、時(shí)序預(yù)測(cè)等

? 分類預(yù)測(cè)模型：邏輯回歸、決策樹、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等

? 市場(chǎng)細(xì)分：聚類、RFM、PCA等

? 產(chǎn)品推薦：關(guān)聯(lián)分析、協(xié)同過(guò)濾等

? 產(chǎn)品優(yōu)化：回歸、隨機(jī)效用等

? 產(chǎn)品定價(jià)：定價(jià)策略/最優(yōu)定價(jià)等

3、 屬性篩選/特征選擇/變量降維

? 基于變量本身特征

? 基于相關(guān)性判斷

? 因子合并（PCA等）

? IV值篩選（評(píng)分卡使用）

? 基于信息增益判斷（決策樹使用）

4、 訓(xùn)練模型及實(shí)現(xiàn)算法

? 模型原理

? 算法實(shí)現(xiàn)

5、 模型評(píng)估

? 評(píng)估指標(biāo)

? 評(píng)估方法

? 過(guò)擬合評(píng)估

6、 模型優(yōu)化

? 優(yōu)化模型：選擇新模型/修改模型

? 優(yōu)化數(shù)據(jù)：新增顯著自變量

? 優(yōu)化公式：采用新的計(jì)算公式

7、 模型應(yīng)用

? 模型解讀

? 模型部署

? 模型應(yīng)用

8、 好模型是優(yōu)化出來(lái)的

第二部分： 分類模型評(píng)估

1、 三個(gè)方面評(píng)估：指標(biāo)、方法、過(guò)擬合

2、 兩大矩陣

? 混淆矩陣

? 代價(jià)矩陣

3、 六大指標(biāo)

? 正確率Accuracy

? 查準(zhǔn)率Precision

? 查全率Recall

? 特異度Specify

? F度量值（/）

? 提升指標(biāo)lift

4、 三條曲線

? ROC曲線和AUC

? PR曲線和BEP

? KS曲線和KS值

5、 多分類模型評(píng)估指標(biāo)

? 宏指標(biāo)：macro_P, macro_R

? 宏指標(biāo)：micro_P, micro_R

6、 模型評(píng)估方法

? 原始評(píng)估法

? 留出法（Hold-Out）

? 交叉驗(yàn)證法（k-fold cross validation）

? 自助采樣法（Bootstrapping）

7、 其它評(píng)估

? 過(guò)擬合評(píng)估：學(xué)習(xí)曲線

? 殘差評(píng)估：白噪聲評(píng)估

第三部分： 邏輯回歸

問(wèn)題：如何評(píng)估客戶購(gòu)買產(chǎn)品的可能性？如何預(yù)測(cè)客戶行為？

如何預(yù)測(cè)客戶流失？銀行如何實(shí)現(xiàn)欠貸風(fēng)險(xiǎn)控制？

1、 邏輯回歸模型簡(jiǎn)介

2、 邏輯回歸的種類

? 二項(xiàng)邏輯回歸

? 多項(xiàng)邏輯回歸

3、 邏輯回歸方程解讀

4、 帶分類自變量的邏輯回歸

5、 邏輯回歸的算法實(shí)現(xiàn)及優(yōu)化

? 迭代樣本的隨機(jī)選擇

? 變化的學(xué)習(xí)率

6、 邏輯回歸+正則項(xiàng)

7、 求解算法與懲罰項(xiàng)的互斥關(guān)系

8、 多元邏輯回歸處理

? ovo

? ovr

9、 邏輯回歸建模過(guò)程

案例：用sklearn庫(kù)實(shí)現(xiàn)銀行貸款違約預(yù)測(cè)

案例：訂閱者用戶的典型特征（二元邏輯回歸）

案例：通信套餐的用戶畫像（多元邏輯回歸）

第四部分： 決策樹

1、 分類決策樹簡(jiǎn)介

演練：識(shí)別銀行欠貨風(fēng)險(xiǎn)，提取欠貸者的特征

2、 決策樹的三個(gè)關(guān)鍵問(wèn)題

? 最優(yōu)屬性選擇

2 熵、基尼系數(shù)

2 信息增益、信息增益率

? 屬性最佳劃分

2 多元?jiǎng)澐峙c二元?jiǎng)澐?/span>

2 連續(xù)變量最優(yōu)劃分

? 決策樹修剪

2 剪枝原則

2 預(yù)剪枝與后剪枝

3、 構(gòu)建決策樹的算法

? C5.0、CHAID、CART、QUEST

? 各種算法的比較

4、 決策樹的超參優(yōu)化

5、 決策樹的解讀

6、 決策樹建模過(guò)程

案例：商場(chǎng)酸奶購(gòu)買用戶特征提取

案例：客戶流失預(yù)警與客戶挽留

案例：識(shí)別拖欠銀行貨款者的特征，避免不良貨款

案例：識(shí)別電信詐騙者嘴臉，讓通信更安全

案例：電力竊漏用戶自動(dòng)識(shí)別

第五部分： 人工神經(jīng)網(wǎng)絡(luò)

1、 神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介（ANN）

2、 神經(jīng)元基本原理

? 加法器

? 激活函數(shù)

3、 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

? 隱藏層數(shù)量

? 神經(jīng)元個(gè)數(shù)

4、 神經(jīng)網(wǎng)絡(luò)的建立步驟

5、 神經(jīng)網(wǎng)絡(luò)的關(guān)鍵問(wèn)題

6、 BP算法實(shí)現(xiàn)

7、 MLP多層神經(jīng)網(wǎng)絡(luò)

案例：評(píng)估銀行用戶拖欠貨款的概率

案例：神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)產(chǎn)品銷量

第六部分： 線性判別分析（LDA）

1、 判別分析簡(jiǎn)介

? 基本思想

2、 判別分析種類

3、 判別分析算法

? 類間散席

? 類內(nèi)散席

4、 LDA線性判別模型

5、 多分類判別分析

案例：MBA學(xué)生錄取判別分析

案例：上市公司類別評(píng)估

第七部分： 最近鄰分類（KNN）

1、 KNN的基本原理

2、 K近鄰的關(guān)鍵問(wèn)題

3、 K近鄰的實(shí)現(xiàn)算法

? Brute暴力計(jì)算

? Kd_tree

? Ball_tre

第八部分： 樸素貝葉斯分類（NBN）

1、 貝葉斯簡(jiǎn)介

2、 貝葉斯分類原理

? 先驗(yàn)概率和后驗(yàn)概率

? 條件概率和類概率

3、 常見貝葉斯網(wǎng)絡(luò)

4、 計(jì)算類別屬性的條件概率

5、 估計(jì)連續(xù)屬性的條件概率

6、 預(yù)測(cè)分類概率（計(jì)算概率）

7、 拉普拉斯修正

案例：評(píng)估銀行用戶拖欠貨款的概率

第九部分： 支持向量機(jī)（SVM）

1、 支持向量機(jī)簡(jiǎn)介

? 適用場(chǎng)景

2、 支持向量機(jī)原理

? 支持向量

? 最大邊界超平面

3、 線性不可分處理

? 松弛系數(shù)

4、 非線性SVM分類

5、 常用核函數(shù)

? 線性核函數(shù)

? 多項(xiàng)式核

? 高斯RBF核

? 核函數(shù)的選擇原則

6、 SMO算法

第十部分： 模型集成優(yōu)化篇

1、 模型的優(yōu)化思想

2、 集成模型的框架

? Bagging

? Boosting

? Stacking

3、 集成算法的關(guān)鍵過(guò)程

? 弱分類器如何構(gòu)建

? 組合策略：多個(gè)弱學(xué)習(xí)器如何形成強(qiáng)學(xué)習(xí)器

4、 Bagging集成算法

? 數(shù)據(jù)/屬性重抽樣

? 決策依據(jù)：少數(shù)服從多數(shù)

? 隨機(jī)森林RandomForest

5、 Boosting集成算法

? 基于誤分?jǐn)?shù)據(jù)建模

? 樣本選擇權(quán)重更新

? 決策依據(jù)：加權(quán)投票

? AdaBoost模型

6、 GBDT模型

7、 XGBoost模型

8、 LightGBM模型

第十一部分： 案例實(shí)戰(zhàn)

1、 客戶流失預(yù)測(cè)和客戶挽留模型

2、 銀行欠貸風(fēng)險(xiǎn)預(yù)測(cè)模型

結(jié)束：課程總結(jié)與問(wèn)題答疑。