【培訓(xùn)對象】
業(yè)務(wù)支持部、數(shù)據(jù)分析部、系統(tǒng)設(shè)計部、系統(tǒng)開發(fā)部、網(wǎng)絡(luò)運(yùn)維部等相關(guān)技術(shù)人員。

【培訓(xùn)收益】

第一部分：預(yù)測建?；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：選擇對目標(biāo)變量有顯著影響的屬性來建模
訓(xùn)練模型：采用合適的算法，尋找到最合適的模型參數(shù)
評估模型：進(jìn)行評估模型的質(zhì)量，判斷模型是否可用
優(yōu)化模型：如果評估結(jié)果不理想，則需要對模型進(jìn)行優(yōu)化
應(yīng)用模型：如果評估結(jié)果滿足要求，則可應(yīng)用模型于業(yè)務(wù)場景
2、數(shù)據(jù)挖掘常用的模型
數(shù)值預(yù)測模型：回歸預(yù)測、時序預(yù)測等
分類預(yù)測模型：邏輯回歸、決策樹、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等
市場細(xì)分：聚類、RFM、PCA等
產(chǎn)品推薦：關(guān)聯(lián)分析、協(xié)同過濾等
產(chǎn)品優(yōu)化：回歸、隨機(jī)效用等
產(chǎn)品定價：定價策略/最優(yōu)定價等
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)練模型及實現(xiàn)算法
模型原理
算法實現(xiàn)
5、模型評估
評估指標(biāo)
評估方法
過擬合評估
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)化出來的

第二部分：回歸模型評估
1、三個基本概念：SST、SSR、SSE
2、三個方面評估：指標(biāo)、方法、過擬合
3、擬合程度指標(biāo)
簡單判定系數(shù)：
調(diào)整判定系數(shù)：
4、預(yù)測值誤差指標(biāo)
平均絕對誤差：MAE
根均方差：RMSE
平均絕對誤差率：MAPE
5、信息損失準(zhǔn)則指標(biāo)
赤池信息準(zhǔn)則：AIC
貝葉斯信息準(zhǔn)則：BIC
HQ信息準(zhǔn)則：HQIC
6、評估方法
原始評估法
留出法（Hold-Out）
交叉驗證法（k-fold cross validation）
自助采樣法（Bootstrapping）
7、其它評估
過擬合評估：學(xué)習(xí)曲線
殘差評估：白噪聲評估

第三部分：影響因素分析
問題：如何選擇合適的屬性來進(jìn)行建模預(yù)測？如何做特征選擇/特征降維？
1、屬性篩選/變量降維的常用方法
2、影響因素分析常用方法
相關(guān)分析
方差分析
卡方檢驗
3、相關(guān)分析（衡量變量間的線性相關(guān)性）
問題：這兩個屬性是否會相互影響？影響程度大嗎？
相關(guān)分析簡介
相關(guān)分析的三個種類
簡單相關(guān)分析
偏相關(guān)分析
相關(guān)系數(shù)的三種計算公式
Pearson相關(guān)系數(shù)
Spearman相關(guān)系數(shù)
Kendall相關(guān)系數(shù)
相關(guān)分析的假設(shè)檢驗
相關(guān)分析的四個基本步驟
演練：體重與腰圍的關(guān)系
演練：營銷費(fèi)用會影響銷售額嗎
演練：網(wǎng)齡與消費(fèi)水平的關(guān)系
偏相關(guān)分析
偏相關(guān)原理：排除不可控因素后的兩變量的相關(guān)性
偏相關(guān)系數(shù)的計算公式
偏相關(guān)分析的適用場景
4、方差分析(衡量類別變量與數(shù)據(jù)變量的相關(guān)性)
問題：哪些才是影響銷量的關(guān)鍵因素？主要因素是哪些？次要因素是哪些？
方差分析的應(yīng)用場景
方差分析原理
方差分析前提：齊性檢驗
方差分析的三個種類
單因素方差分析
多因素方差分析
協(xié)方差分析
方差分析的四個步驟
分析結(jié)果解讀要點
演練：終端擺放位置與終端銷量有關(guān)嗎
演練：客戶學(xué)歷對消費(fèi)水平的影響分析
演練：廣告形式和價格是影響終端銷量的關(guān)鍵因素嗎
演練：營業(yè)員的性別、技能級別對產(chǎn)品銷量有影響嗎
演練：尋找影響產(chǎn)品銷量的關(guān)鍵因素
多因素方差分析原理
多因素方差分析的作用
多因素方差結(jié)果的解讀
演練：廣告形式、地區(qū)對銷量的影響因素分析
協(xié)方差分析原理
協(xié)方差分析的適用場景
演練：排除收入后，網(wǎng)齡對消費(fèi)水平的影響大小分析
5、列聯(lián)分析/卡方檢驗（兩類別變量的相關(guān)性分析）
卡方檢驗應(yīng)用場景
交叉表與列聯(lián)表
計數(shù)值與期望值
卡方檢驗的原理
卡方檢驗的幾個計算公式
列聯(lián)表分析的適用場景
案例：套餐類型對客戶流失的影響分析
案例：學(xué)歷對業(yè)務(wù)套餐偏好的影響分析
案例：行業(yè)/規(guī)模對風(fēng)控的影響分析
6、屬性重要程度排序/篩選
7、主成份分析（PCA）
因子分析的原理
因子個數(shù)如何選擇
如何解讀因子含義
案例：提取影響電信客戶流失的主成分分析

第四部分：線性回歸模型
問題：如何預(yù)測產(chǎn)品的銷量/銷售金額？
1、常用數(shù)值預(yù)測的模型
通用預(yù)測模型：回歸模型
2、線性回歸應(yīng)用場景
3、線性回歸模型種類
一元線性回歸
多元線性回歸
4、線性回歸建模過程
5、帶分類變量的回歸建模
6、回歸模型的質(zhì)量評估
7、回歸方程的解讀
第五部分：回歸算法實現(xiàn)
1、基本概念
損失函數(shù)
2、普通最小二乘法OLS
數(shù)學(xué)推導(dǎo)
OLS存在的問題
3、梯度下降算法
梯度概念
梯度下降/上升算法
批量梯度/隨機(jī)梯度/小批量梯度
學(xué)習(xí)率的影響
早期停止法
4、牛頓法/擬牛頓法
泰勒公式(Taylor)
牛頓法(Newton)
擬牛頓法(Quasi-Newton)的優(yōu)化
DFP/BFGS/L-BFGS
5、算法比較-優(yōu)缺點

第六部分：回歸模型優(yōu)化
6、回歸分析的基本原理
三個基本概念：總變差、回歸變差、剩余變差
方程的顯著性檢驗：是否可以做回歸分析？
因素的顯著性檢驗：自變量是否可用？
擬合優(yōu)度檢驗：回歸模型的質(zhì)量評估？
理解標(biāo)準(zhǔn)誤差的含義：預(yù)測的準(zhǔn)確性？
7、欠擬合解決：多項式回歸
剔除離群值
剔除非顯著因素
非線性關(guān)系檢驗
相互作用檢驗
共線性檢驗
檢驗誤差項
案例：銷量預(yù)測模型優(yōu)化示例
8、過擬合解決：正則項
嶺回歸（Ridge）
套索回歸（Lasso）
彈性網(wǎng)絡(luò)回歸（ElasticNet）
9、超參優(yōu)化
手工遍歷cross_val_score
交叉驗證RidgeCV/LassCV/ElasticNetCV
網(wǎng)格搜索GridSearchCV
隨機(jī)搜索RandomizedSearchCV

第七部分：自定義模型
1、自定義回歸模型
2、模型參數(shù)最優(yōu)法方法
全局優(yōu)化/暴力破解brute
局部優(yōu)化fmin
有約束優(yōu)化minimize
3、好模型都是優(yōu)化出來的
案例：餐廳客流量進(jìn)行建模及模型優(yōu)化
4、基于回歸季節(jié)模型
季節(jié)性回歸模型的參數(shù)
相加模型
相乘模型
模型解讀/模型含義
案例：美國航空旅客里程的季節(jié)性趨勢分析
5、新產(chǎn)品預(yù)測與S曲線
產(chǎn)品累計銷量的S曲線模型
如何評估銷量增長的上限以及拐點
珀爾曲線
龔鉑茲曲線
案例：預(yù)測IPAD的銷售增長拐點，以及銷量上限
第八部分：案例實戰(zhàn)
1、客戶消費(fèi)金額預(yù)測模型
2、房價預(yù)測模型及優(yōu)化

結(jié)束：課程總結(jié)與問題答疑。