Python数据分析与挖掘实战-第一章读书笔记

读书笔记

第一章 数据挖掘基础

1. 某知名连锁餐饮企业的困惑
   实践情景设定:信息化后的餐饮连锁公司面对市场经济的挑战。

2. 从餐饮服务到数据挖掘
   企业目标：盈利
   餐饮企业核心：菜品和顾客
   历史性数据分析:

   • 推荐菜品可以提高销量，减少点餐时间和频率。提高用户体验
   • 历史销售情况，考虑节假日、气候、竞争对手等因素的销售情况对菜品的销量预测以备提前准备材料。
   • 菜品销售量定期统计，分类出好评和差评，为促销活动和新菜品推出做支持。
   • 根据就餐习惯和消费金额对客户进行筛选出优质客户，提高服务水平。

3. 数据挖掘的基本任务
   基本任务包含：分类和预测、聚类分析、关联规则、时序模式、偏差检验、智能推荐等。从数据中提取商业价值。

4. 数据挖掘建模过程

   • 定义挖掘的目标
     明确挖掘目标，明确完成效果。需要分析应用目标了解用户需求。

     
     案例图片.png
     

     所以可以取出一下目标:

     • 菜品智能推荐。
     • 客户细分和画像，了解不通需求，精准化营销。
     • 菜品历史销售情况对物资的支持。
     • 餐饮大数据的店址选择和口味分析。

   • 数据取样

     • 取样标准：相关性、可靠性、有效性。

     • 不可忽视数据的质量问题，衡量数据质量的方式：

       • 资料的完整无缺，指标项齐全。

       • 数据的准确无误，为正常数据，不在异常指标状态的水平。

     数据抽样的方式：

     • 随机抽样
     • 等距抽样
     • 分层抽样
     • 从起始顺序抽样
     • 分类抽样

   • 数据探索
     对样本数据的提前探索和预处理是保证模型质量的重要条件。

     数据探索主要包括：异常值分析、缺失值分析、相关分析、周期性分析等。

   • 数据预处理

     采集数据过大的时候，怎么降维处理，怎么做缺失值处理都是使用数据预处理来完成的。采样的数据中同样会有噪声，不完整，不一致的数据也需要做预处理准备。

     数据预处理主要包括：数据筛选、数据变量转换、缺失值处理、坏数据处理、数据标准化、主成分分析、属性选择、数据约规等。

   • 挖掘建模

     完成与处理后，思考问题：本次建模是属于数据挖掘中的哪一类(分类、聚类、关联规则、时序模式或者智能推荐)，是要使用什么样的算法来构建模型？这一步是核心关键。

   • 模型评价

     从建模之后得出来一些分析结果，从而找到一个最好的模型。做出根据业务对模型的解释和应用。