大数据产品经理必备的数据挖掘知识概述（一）认识数据

　　了解数据挖掘知识是大数据产品经理必备的技能，经过了一段时间的深入学习，以及所负责项目中用到的数据挖掘内容，使我对数据挖掘有了更深一步的认识，但自认为还是小白阶段。

　　漫漫其修远兮，在这里，先将总结出来的数据挖掘常见知识点与大家分享，后面陆续更新更多的知识点及项目案例。希望能与君！

　　（此分享仅包含基础概念知识，旨在帮助大数据产品经理快速了解数据挖掘知识，并能在工作中与算法和开发团队顺利合作，对于更深入的研究如统计学等知识后面有机会再与大家分享~）

　　什么是属性：是一个数据字段，表示数据对象的一个特征。在文献中，属性、维、特征和变量可以互相地使用。机器学习文献更倾向于使用术语“特征”，而统计学家则更愿意使用术语“变量”。数据挖掘和数据库的专业人士则用“属性”。例如，描述顾客对象的属性可能包括customer_ID、name和address.

　　属性向量：用来描述一个给定对象的一组属性称作属性向量（或特征向量）。涉及的属性（或变量）的数据分布称作“单变量”，分布涉及两个属性为“双变量”等等。

　　属性类型：一个属性的类型由该属性可能具有的值得集合决定。属性可以是标称的、二元的、序数的或数值的。

　　标称属性的值是一些符号或是事物的名称。每个值代表某种类别、编码或状态，因此标称属性又被看做是分类。这些值，不必具有意义的序。

　　例如：hari_color（头发颜色）和marital_status（婚姻状况），是两个描述人的属性。hari_color(头发颜色)可能为黑色、棕色、红色、赤褐色、白色、灰色等、属性marital_status的值可能是单身、已婚、离异和丧偶。hair_color和marital_status都是标称属性，他们是无有意义的序。

　　（标称属性是有意义的序，并且不是定量的，因此，给定一个对象集，找出这种属性的均值（平均值）或中位数（中值）没有意义。然后，意见有意义的事情是使该属性最常出现的值，这个值称为众数，是一种中心趋势度量，后面我们将会介绍到）

　　二元属性是一种标称属性，只是两个类别或状态：0或1，其中0通常表示该属性不出现，二1 表示出现。二元属性又称布尔属性，如果两种状态对应于true和lse的线）序数属性

　　序数属性其可能的值之间具有有意义的序或秩评定。其值如小、中、曹刚川出事了大；成绩A+、A、A-、B+；军阶有列兵、一等兵、专业军士、下士、中士等；

　　以上介绍的标称、二元和序数属性都是定性的。即，他们描述对象的特征，而不给出实际大小的数量。而数值属性是定量的，即她可度量的量，用整数或实数值表示。数值属性可以是区间标度的或比例标度的。

　　机器学习领域开发的分类算法通常把属性分成离散的或是连续的。每种类型都可以用不同的方法处理。离散属性具有优先或无限可数个值，可以用或不用整数表示。如属性hari_color、smoker、medical_test和drink_size都有有限个值，因此是离散的。

　　有时对于每个值可以有一个权重相关联，权重反应他们所依附的对应值的意义、重要性或出现的频率，公式如下：

　　假定给定某属性X的N个值按递增排序，如果N是奇数，则中位数是该序集中的中间值；如果N是偶数，则中位数不唯一，它是最中间的两个值和它们之间的任意值。在X是数值属性的情况下，嘉定约定，中位数取做最中间两个值的平均值。

　　：众数是另一种中心趋势度量。数据集的整数是集合中出现最频繁的值。因此，可以对定性和定量属性确定众数。可能是最高频率对应多个不同值，导致多个众数。具有一个、两个、三个众数的数据集合分别称为单峰的，双峰的和三峰的。一般地，具有两个或更多众数的数据集是多峰的。在另一种极端的情况下，如果每个数据值仅出现一次，则它是没有众数的。

　　分位数：假设属性X的数据以数值递增排序，想象我们可以挑选某些数据点，以便把数据分布划分成大小相等的连贯集。如图：

　　本文由来源于财鼎国际(www.hengpunai.cn)