前言

所有模型都是錯的，但我們可以重新使其變成有用的。

每個模型都有其嚴格的適用條件，這些條件有時過于嚴格，甚至不能跨界使用，就像統計學之于小數據，深度學習之于非結構化數據，很難集成到一起。因此，在進入數據分析的殿堂之前，首先需要區(qū)分不同領域的數據分析技術。

本書的知識點難度對于初次了解數據分析的讀者而言，并不算友好。本書可以看作《統計分析：從小數據到大數據》的高級版本或者續(xù)作，很多模型的背景依托于此書。為了彌補這點缺陷，本書首先在第1章介紹了機器學習的基礎概念，提供了數據挖掘的基礎知識，然后重點介紹集成學習，集成學習需要借助模型關系管理，而模型關系管理旨在更好地利用不同模型的優(yōu)、缺點，完成項目需求與集成模型功能的契合。

本書的核心框架如下。

◆ 特征工程技術。

◆ 機器學習技術。

◆ 弱集成學習：決策樹。

◆ 強集成學習：特征工程+機器學習。

◆ 混合專家（或深度學習）：神經網絡+網絡結構。

特征工程用于數據管理和數據清理，在數據挖掘中，尤其是當數據治理不成熟時起到不可或缺的作用。此外，就機器學習而言，如果我們深入項目解決實踐問題，那么會發(fā)現實際問題往往需要分解為子問題相加和子問題相乘的兩種模式，前者是弱集成學習的領域，后者是強集成學習的領域，而這些算法都依托于機器學習本身。最后是深度學習，它需要借助“神經網絡集成+網絡結構設計”的思路才能完成，主要用于非結構化數據。

運行環(huán)境

本書使用的編程語言和庫如下。

◆ Python3：語言。

◆ NumPy：高級編碼庫。

◆ Pandas：數據框。

◆ Matplotlib：基礎繪圖。

◆ Seaborn：統計繪圖。

◆ Plotly：商業(yè)繪圖。

◆ Missingno：缺失值可視化。

◆ Missingpy：缺失值填補。

◆ Opencv-python：圖像處理。

◆ Mglearn：機器學習算法可視化。

◆ Mlxtend：機器學習拓展包。

◆ Dtreeviz：決策樹可視化。

◆ Bnlearn：網絡貝葉斯。

◆ Scikit-plot：機器學習評估可視化。

上述庫看起來很多，但這些庫大多都比較小巧，安裝極為便捷，只需要花些時間運行代碼“pip install庫1庫2……”。當然也可能會遇到不同版本庫間的兼容性問題，這一點在行文中會有提示說明，也會提供常見的解決方案。

本書特點

本書以算法“消費者”為主線，以數據分析實踐為中心話題展開對集成模型的討論，并使用Python環(huán)境依賴包和簡潔代碼，進行數據分析工程實踐。

◆ 以小數據為啟程，重點闡述大數據技術的原理與流程。

◆ 應用常用依賴包，編寫簡潔代碼，實現數據分析。

◆ 以集成學習為核心知識點，展開對相關知識的討論。

◆ 借助描述性案例講解模型配置，借助項目案例講解數據挖掘流程。

◆ 以描述性挖掘、歸因性探索、預測性應用并舉的方式分析案例。

◆ 行為中涉及的數學公式大多輔以圖形幫助理解，對數理知識的要求并不高。

適合讀者

◆ 數據挖掘相關專業(yè)的高校師生，如統計學、數學、計算機、社會統計類專業(yè)等。

◆ 希望用數據挖掘技術賦能的業(yè)務人員，如運營人員、銷售人員、產品經理、人力專員等。

◆ 從事數據庫和數據挖掘的相關人員，如數據分析師、數據工程師、數據營銷師、風控建模師等。

◆ 數據分析管理人員，如數據分析主管、總監(jiān)、顧問，運營策略總監(jiān)等。

◆ 對數據分析感興趣的讀者。

致謝

本書寫作之時，除了宅在家里，我也經常到一個小河邊創(chuàng)作，大量的寫作都在河邊完成。

很多釣友經常隔河喊話：“還釣到了呀”，我總是附上一句：“還行嘞”。其實姜公是直鉤，我連一個魚鉤都沒有，拿著魚竿做樣子，不過我也養(yǎng)肥了很多魚，這附近的魚都比較喜歡我，所以本書選擇一種魚作為封面插圖，叫螭吻，是龍的第九個兒子。另外，在本書撰寫期間，我家二娃也出生了，增添了許多天倫之樂，所以感謝“釣友”的陪伴，感謝妻子的辛勤勞苦。

自本書起稿之日，趙堅毅老師就給予了很多關心和支持，并且為本書作序，在此表示由衷的感謝。

本身修稿經歷了半年之多，多謝張慧敏編輯及其同事的耐心指導，我也學習了很多編校知識，在此一并感謝。

此外，由于本書涵蓋了概率論、數理統計、計算機工程、大數據技術、數據挖掘等多個學科的知識，所以行文中難免存在不足之處，敬請廣大讀者批評指正。

作者