1700500846
数据挖掘与数据化运营实战：思路、方法、技巧与应用 [:1700497611]
1700500847
数据挖掘与数据化运营实战：思路、方法、技巧与应用 第10章 预测响应（分类）模型的典型应用和技术小窍门
1700500848
1700500849
卖弄杀周易阴阳谁似你，还有个未卜先知意。
1700500850
1700500851
——《桃花女》
1700500852
1700500853
10.1 神经网络技术的实践应用和注意事项
1700500854
1700500855
10.2 决策树技术的实践应用和注意事项
1700500856
1700500857
10.3 逻辑回归技术的实践应用和注意事项
1700500858
1700500859
10.4 多元线性回归技术的实践应用和注意事项
1700500860
1700500861
10.5 模型的过拟合及对策
1700500862
1700500863
10.6 一个典型的预测响应模型的案例分享
1700500864
1700500865
预测响应（分类）模型是数据挖掘实战中最常见的应用模型，它最直接地涉及了精细化运营中的客户分层以及随后的个性化区别对待，从某种意义上来说，基于预测响应（分类）模型的客户分层运营已经成为精细化运营的代名词。
1700500866
1700500867
本章围绕预测响应（分类）模型的典型应用，对神经网络、决策树、逻辑回归、多元线性回归等最常见的4种算法在数据挖掘实战应用中的优缺点和技术重点进行了分析、归纳，从而帮助读者在今后的项目实践中有的放矢，扬长避短。
1700500868
1700500869
不同的模型算法，需要不同的数据准备；不同的算法，输出不同的产出物；不同的算法，在实践应用中有各自独特的优势和不足之处。数据分析人员只有对这些有了足够的了解和掌握，才可以实现有效的数据挖掘实践应用。
1700500870
1700500871
1700500872
1700500873
1700500874
数据挖掘与数据化运营实战：思路、方法、技巧与应用 [:1700497612]
1700500875
数据挖掘与数据化运营实战：思路、方法、技巧与应用 10.1 神经网络技术的实践应用和注意事项
1700500876
1700500877
对神经网络的研究始于20世纪40年代，作为一门交叉学科，它是人类基于对其大脑神经认识理解的基础上，人工构造实现某种功能的网络模型。经过将近70年的发展，神经网络技术已经成为机器学习的典型代表，它不依照任何概率分布，而是模仿人脑功能进行抽象运算。
1700500878
1700500879
简单来讲，神经网络是一组互相连接的输入/输出单元，其中每个连接都会与一个权重相关联。在学习阶段，通过调整这些连接的权重，就能够预测输入观察值的正确类标号。因此可以理解为人工神经网络是由大量神经元通过丰富完善的连接、抽象、简化和模拟而形成的一种信息处理系统。
1700500880
1700500881
数据挖掘与数据化运营实战：思路、方法、技巧与应用 [:1700497613]
1700500882
10.1.1 神经网络的原理和核心要素
1700500883
1700500884
人工神经网络的结构大致分为两大类：前向型网络和反馈型网络。
1700500885
1700500886
具体来说，所谓前向型网络，是指传播方向是从输入端传向输出端，并且没有任何的反馈；所谓反馈型网络是指在传播方向上除了从输入端传向输出端之外，还有回环或反馈存在。两种类型的网络原理图如图10-1所示。
1700500887
1700500888
1700500889
1700500890
1700500891
图10-1 人工神经网络的典型结构图
1700500892
1700500893
在上述的典型结构里，神经网络通过输入多个非线性模型，以及不同模型之间的加权互联，最终得到一个输出模型。具体来说，多元输入层是指一些自变量，这些自变量通过加权结合到中间的层次上，称为隐蔽层。隐蔽层中主要包含的是非线性函数，也叫转换函数或者挤压函数。隐蔽层就是所谓的黑箱（Black Box）部分，几乎没有人能在所有的情况下读懂隐蔽层中那些非线性函数是如何对自变量进行组合的，这是计算机思考代替人类思考的一个典型案例。
1700500894
1700500895
利用神经网络技术建模的过程中，有以下5个因素对模型的结果有重大影响[1]：