商戰數據挖掘：你需要了解的數據科學與分析思維

《商戰數據挖掘：你需要了解的數據科學與分析思維》是2019年人民郵電出版社出版的圖書，作者是[美] 福斯特·普羅沃斯特（Foster Provost）。

基本介紹

• 書名：商戰數據挖掘：你需要了解的數據科學與分析思維 
• 作者：[美] 福斯特·普羅沃斯特（Foster Provost）
• 出版社：人民郵電出版社
• ISBN：9787115522337

內容簡介

數據挖掘是現代企業從數據中提取有用信息、獲取競爭優勢的重要方法。針對數據科學的這一商業套用，本書進行了深入解讀，不僅詳細介紹了數據挖掘的環節、常用分析技術和基本模型，還提供了數據科學解決方案的提案示例和評估指南。同時，為了便於讀者理解，本書不僅分析了大量商業示例，在業務情景下闡釋數據挖掘的基本概念和原理，還使用大量圖表輔助解釋數學細節。因此，讀者無需專業數學背景即可閱讀本書。

作者簡介

福斯特·普羅沃斯特（Foster Provost）

紐約大學斯特恩商學院教授，教授商業分析、數據科學與MBA課程。他曾是Verizon公司研究型數據科學家，參與創建過多家成功的數據科學驅動企業。

湯姆·福西特（Tom Fawcett）

機器學習博士，Data Science LLC首席數據科學家，從事套用機器學習研究和數據挖掘20餘年，發表過大量機器學習文章。

目錄

目錄

讚譽 xiii

前言 xv

第 1 章 緒論：數據分析式思維 1

1．1 數據機遇無處不在 1

1．2 案例：颶風 Frances 2

1．3 案例：預測用戶流失 3

1．4 數據科學、數據工程和數據驅動型決策 4

1．5 數據處理和“大數據” 6

1．6 從大數據 1．0 到大數據 2．0 6

1．7 數據與數據科學能力：一種戰略性資產 7

1．8 數據分析式思維 9

1．9 關於本書 10

1．10 重新審視數據挖掘和數據科學 11

1．11 數據科學：一門新興的實驗性學科 12

1．12 小結 12

第 2 章 商業問題及其數據科學解決方案 14

2．1 從商業問題到數據挖掘任務 14

2．2 有監督方法與無監督方法 17

2．3 數據挖掘及其結果 18

2．4 數據挖掘流程 19

2．4．1 業務理解環節 20

2．4．2 數據理解環節 21

2．4．3 數據準備環節 22

2．4．4 建模環節 22

2．4．5 評估環節 23

2．4．6 部署環節 24

2．5 管理數據科學團隊的含義 25

2．6 其他分析技巧與技術 26

2．6．1 統計 26

2．6．2 資料庫查詢 27

2．6．3 數據倉庫 28

2．6．4 回歸分析 28

2．6．5 機器學習與數據挖掘 28

2．6．6 運用以上技術解決商業問題 29

2．7 小結 30

第 3 章 預測建模導論：從相關性到有監督的劃分 31

3．1 建模、歸納與預測 32

3．2 有監督的劃分 35

3．2．1 選取富信息屬性 36

3．2．2 示例：基於信息增益進行屬性選擇 42

3．2．3 使用樹形結構模型進行有監督的劃分 46

3．3 劃分的可視化 52

3．4 把樹視作規則組 53

3．5 機率估計 54

3．6 示例：用樹型歸納解決用戶流失問題 56

3．7 小結 59

第 4 章 用模型擬合數據 61

4．1 根據數學函式分類 62

4．1．1 線性判別函式 64

4．1．2 目標函式的最最佳化 66

4．1．3 示例：基於數據挖掘線性判別式 67

4．1．4 用線性判別函式對實例進行評分和排序 68

4．1．5 支持向量機簡介 69

4．2 通過數學函式進行回歸 71

4．3 類機率估計和邏輯“回歸” 73

4．4 示例：對比邏輯回歸和樹型歸納 77

4．5 非線性方程、支持向量機和神經網路 81

4．6 小結 83

第 5 章 避免過擬合 84

5．1 泛化能力 84

5．2 過擬合 85

5．3 過擬合檢驗 86

5．3．1 保留數據和擬合圖 86

5．3．2 樹型歸納的過擬合問題 88

5．3．3 數值函式的過擬合問題 89

5．4 示例：線性函式的過擬合 90

5．5 * 示例：過擬合為何有害 95

5．6 從保留評估到交叉驗證 96

5．7 用戶流失數據集回顧 99

5．8 學習曲線 100

5．9 避免過擬合與控制複雜度 101

5．9．1 樹型歸納中的過擬合規避 102

5．9．2 避免過擬合的一般方法 102

5．9．3 * 參數最佳化中的過擬合規避 104

5．10 小結 106

第 6 章 相似性、近鄰和簇 107

6．1 相似性和距離 108

6．2 最近鄰推理 109

6．2．1 示例：威士忌分析 110

6．2．2 用最近鄰來進行預測建模 111

6．2．3 近鄰的數量及其影響 113

6．2．4 幾何解釋、過擬合和複雜度控制 115

6．2．5 最近鄰方法的問題 118

6．3 與相似性和最近鄰相關的一些重要技術細節 119

6．3．1 混合屬性 119

6．3．2 * 其他距離函式 120

6．3．3 * 組合函式：計算近鄰的評分 122

6．4 聚類 124

6．4．1 示例：威士忌分析回顧 124

6．4．2 層次聚類 125

6．4．3 最近鄰回顧：根據形心的聚類 128

6．4．4 示例：對商業新聞報導進行聚類 132

6．4．5 理解聚類結果 135

6．4．6 * 用有監督學習產生簇描述 136

6．5 退一步：解決業務問題與數據探索 139

6．6 小結 140

第 7 章 決策分析思維（一）：如何評估一個模型 142

7．1 對分類器的評估 143

7．1．1 簡單準確率的問題 143

7．1．2 混淆矩陣 144

7．1．3 樣本類別不均衡的問題 144

7．1．4 成本收益不均衡的問題 147

7．2 分類問題的推廣 147

7．3 一個重要的分析框架：期望值 148

7．3．1 用期望值規範分類器的使用 148

7．3．2 用期望值規範分類器的評估 149

7．4 評估、基線性能以及對數據投資的意義 155

7．5 小結 157

第 8 章 模型性能的可視化 159

8．1 排序，而不是分類 159

8．2 利潤曲線 161

8．3 ROC 圖像和曲線 163

8．4 ROC 曲線下面積 168

8．5 累積回響曲線和提升曲線 168

8．6 示例：用戶流失模型的性能分析 171

8．7 小結 177

第 9 章 證據和機率 179

9．1 示例：向線上目標用戶投放廣告 179

9．2 根據機率合併證據 181

9．2．1 聯合機率與獨立性 181

9．2．2 貝葉斯法則 182

9．3 將貝葉斯法則套用到數據科學中 183

9．3．1 條件獨立和樸素貝葉斯 184

9．3．2 樸素貝葉斯的優劣勢 186

9．4 證據“提升度”的模型 187

9．5 示例：Facebook“點讚”的證據提升度 188

9．6 小結 190

第 10 章 文本的表示和挖掘 191

10．1 為什麼文本很重要 192

10．2 為什麼文本很難處理 192

10．3 表示法 193

10．3．1 詞袋模型 193

10．3．2 詞頻 193

10．3．3 度量稀疏度：逆文檔頻率 195

10．3．4 TFIDF 196

10．4 示例：爵士音樂家 197

10．5 *IDF 和熵的關係 200

10．6 詞袋模型之外的方法 202

10．6．1 n-grams 序列 202

10．6．2 命名實體提取 202

10．6．3 主題模型 203

10．7 示例：通過挖掘新聞報導預測股價變動 204

10．7．1 任務 204

10．7．2 數據 205

10．7．3 數據處理 207

10．7．4 結果 208

10．8 小結 211

第 11 章 決策分析思維（二）：面向分析工程 212

11．1 為慈善機構尋找最佳捐贈人 213

11．1．1 期望值框架：分解商業問題，重組解決方案 213

11．1．2 簡短的題外話：選擇性偏差 214

11．2 更複雜的用戶流失示例回顧 215

11．2．1 期望值框架：構建更複雜的商業問題 215

11．2．2 評估激勵的影響 216

11．2．3 從期望值分解到數據科學解決方案 217

11．3 小結 219

第 12 章 其他數據科學任務與技術 220

12．1 共現和關聯：尋找匹配項 221

12．1．1 度量意外：提升度和槓桿率 221

12．1．2 示例：啤酒和彩票 222

12．1．3 Facebook 點讚的關聯 223

12．2 用戶畫像：尋找典型行為 225

12．3 鏈路預測和社交推薦 229

12．4 數據約簡、潛在信息和電影推薦 230

12．5 偏差、方差和集成方法 233

12．6 數據驅動的因果解釋和一個病毒式行銷示例 235

12．7 小結 236

第 13 章 數據科學和經營戰略 237

13．1 數據分析式思維，終極版 237

13．2 用數據科學取得競爭優勢 238

13．3 用數據科學保持競爭優勢 239

13．3．1 令人敬畏的歷史優勢 240

13．3．2 獨一無二的智慧財產權 240

13．3．3 獨一無二的無形抵押資產 240

13．3．4 優秀的數據科學家 241

13．3．5 優秀的數據科學管理 242

13．4 吸引和培養數據科學家及其團隊 243

13．5 檢驗數據科學案例分析 244

13．6 做好準備，接受來源各異的創意 245

13．7 做好準備，評估數據科學項目提案 245

13．7．1 數據挖掘提案示例 246

13．7．2 Big Red 提案中的缺陷 246

13．8 企業的數據科學成熟度 247

第 14 章 總結 250

14．1 數據科學的基本概念 250

14．1．1 將基本概念套用於新問題：挖掘移動設備數據 252

14．1．2 改變對商業問題解決方案的思考方式 253

14．2 數據做不到的：圈中人回顧 254

14．3 隱私、道德和挖掘個人數據 256

14．4 數據科學是否還有更多內容 257

14．5 最後一例：從眾包到雲包 257

14．6 最後的話 258

附錄 A 提案評估指南 259

附錄 B 另一個提案示例 262

參考文獻 265

術語表 273

關於作者 278