Logistic数据挖掘模型实际应用案例.ppt

1.2 logistics回归模型基本原理
Sigmoid函数：
logistic回归的公式可以表示为：
函数ቤተ መጻሕፍቲ ባይዱ图像：
其中P是响应变量取1的概率，在0-1变
量的情形中，这个概率就等于响应变量 的期望。
可以看出，logistic回归是对0-1响应变量的
期望做logit变换，然后与自变量做线性回归。 参数估计采用极大似然估计，显著性检验采 用似然比检验
数据挖掘与商务智能
logistics回归
【原创】定制代写开发
r/python/spss/matlab/W
EKA/sas/sql/C++/stata/e
views/Computer science assignment代写/代做 Project/数据挖掘和统计 分析可视化调研报告/ 程序/PPT等/爬虫数据采 集服务（附代码数据）, ogistic模型实际上是一种回归模型，但这种模型又与普通的线性回归模型又有 一定的区别：
1）Logistic回归模型的因变量为二分类变量； 2）该模型的因变量和自变量之间不存在线性关系； 3）一般线性回归模型中需要假设独立同分布等，而Logistic回归模型不需要； 4）Logistic回归没有关于自变量分布的假设条件，可以是连续变量、离散变量； 5）由于因变量和自变量之间不存在线性关系，所以参数使用最大似然估计法计算。
欢迎登陆官网：
/datablog
1.1 logistics回归模型
在实际应用中经常会使用线性回归模型对某一事物进行预测，例如 预测房价、身高、GDP、学生成绩等，但是这些被预测的变量都属 于连续型变量。
然而有些情况下，被预测变量可能是二元变量，即成功或失败、流 失或不流失、涨或跌等，对于这类问题，线性回归将束手无策。这 个时候就需要另一种回归方法进行预测，即Logistic回归。

400 MOU 350 300 250 200 150 100
50 0 2000
2001 全体用户 签约用户
2002
77.
用数据发现您的世界！
价格战与渠道的唯利是图导致移动公司深陷“价格漩涡”
竞争对手的发展导致 竞争升级
超越竞争，摆脱 “价格旋涡”
更低的毛利 诱发新一轮价格战
提高市场 费用，频繁促销
描述性名称
业余活跃组
业务繁忙组
贵中求惠组 IP手机组
新生潜力组 夜间积极组 本地繁忙组
繁忙大客户组
短信专家组 热衷转移组 频繁出差组 情深语长组 消极等待组 等待接听组
休眠组 寂寞无声组
2222.
人数 百分比
各类客户人数及收入贡献一览
优质
普通
用数据发现您的世界！
弱势
28.51%
15.08%
56.41%
RMB12,897,830.1
2233.
用数据发现您的世界！
某移动公司全球通（后付费）客户的17个客户分组
客户群 优质组
普通组 弱势组
组号
#9
#4 #2 #14
#15
#16 #11 #10 #12 #13 #5 #7 #17 #8 #6 #1 #3
人数（万人）
1.5
1.7 1.5 1.0
1.4
11.6 1.2 2.8 4.6 2.1 1.9 2.0 1.6 6.7 4.3 14.1 38.4
55.
议题
移动通信行业营销热点话题回顾
规模型发展向规模效益型发展转变 运营商深陷“价格漩涡” 虚增放号增大销售成本 用户离网严重营销收入与利润 攻守平衡成为移动营销转型的关键 新业务推广仍需努力 客户服务与客户期望有差距

信任度表示了这条规则在多大程度上可信。计算 “如果纸尿片则啤酒”的信任度。由于在含有纸尿片 的4条交易中，仅有2条交易含有啤酒，所以其置信度 为0.5。
22
第四章 数据挖掘应用案例
4.1 案例一：零售商系统货篮数据挖掘（续）
支持度计算在所有交易集中，既有纸尿片又有啤 酒的概率。在5条记录中，既有纸尿片又有啤酒的二级 路有2条，则此条规则的支持度=2/5=0.4。现在这个规 则可表述为：如果一个顾客购买了纸尿片，则有50% 的可能购买啤酒。而这样的情况（及购买了纸尿片有 购买了啤酒）会有40%的可能发生。
4.1 案例一：零售商系统货篮数据挖掘（续）
以上情况可得到下述规则：
规则
信任度
if 啤酒 and 卫生纸 then 纸尿片 0.05/0.15*100%=33.33%
if 纸尿片 and 卫生纸 then 啤酒 0.05/0.20*100%=25%
4
第四章 数据挖掘应用案例
4.1 案例一：零售商系统货篮数据挖掘（续）
美国最大企业排行榜上名列第四。事实上，Walmart 的年销售额相当于全美所有百货公司的总合，而且至 今仍保持着强劲的发展势头。至今，Walmart已拥有 2133家Walmart商店、469家山姆会员商店和248家 Walmart购物广场，分布在美国、中国、墨西哥、加 拿大、英国、波多黎各、巴西、阿根廷、南非、哥斯 达黎加、危地马拉、洪都拉斯、沙尔瓦多、尼加拉瓜 14个国家。它在短短几十年中又如此迅猛的发展，不 得不说是零售业的一个奇迹。
6
第四章 数据挖掘应用案例
4.1 案例一：零售商系统货篮数据挖掘（续）
为了能够准确了解顾客在其门店的购买习惯， Walmart对其顾客的购物行为进行货篮分析，想知道顾客 经常一起购买的商品有哪些。商品相关性分析是货篮分析 中最重要的部分，Walmart数据仓库里集中了其各门店的 具体原始交易数据。在这些原始交易数据的基础上， Walmart利用NCR数据挖掘工具对这些数据进行了分析和 挖掘。Walmart发现了一个令人难以理解的现象：在某些 特定情况下，“啤酒”与“尿布”两件看上去毫无关系的 商品会经常出现在同一个货篮中，这种独特的销售现象引 起了管理人员的注意。

随着大数据技术的发展，推荐系统在商业应用中越来越受到重视，成为提 升用户体验和商业价值的关键手段。
本案例以某电商平台的推荐系统为例，介绍数据分析与数据挖掘在推荐系 统中的应用。
数据分析过程
数据收集
收集用户在电商平台的浏览、搜索、购买等行为数据，以及商品属性、 分类等信息。
数据清洗
对原始数据进行清洗和整理，去除异常值、缺失值和重复数据，保证 数据质量。
04
实战案例一：电商用户行 为分析
案例背景
某大型电商平台ห้องสมุดไป่ตู้望通过数据分析与 挖掘，深入了解用户行为，优化产品 和服务，提升用户满意度和忠诚度。
数据来源：电商平台交易数据、用户 浏览数据、用户反馈数据等。
数据分析过程
1 2
数据清洗
去除异常值、缺失值和重复值，确保数据质量。
数据探索
对数据进行初步探索，了解数据分布、趋势和关 联性。
02
预测准确率提升10%，有效提高营销效果和用户转化率。
03
关联规则挖掘帮助优化产品推荐策略，提升用户满意度和购 买率。
05
实战案例二：信用卡欺诈 检测
案例背景
01
信用卡欺诈是全球性的金融犯罪问题，给银行和消费
者带来巨大损失。
02
随着大数据技术的发展，利用数据分析与数据挖掘技
术进行信用卡欺诈检测成为可能。
数据挖掘的重要性
总结词
数据挖掘在商业决策、科学研究、医疗 保健等领域具有重要意义。
VS
详细描述
随着大数据时代的来临，数据挖掘的重要 性日益凸显。通过对数据的深入分析，企 业可以更好地理解客户需求，制定更有效 的营销策略。在科学研究领域，数据挖掘 有助于发现新的科学规律和现象。在医疗 保健方面，数据挖掘有助于提高疾病诊断 的准确性和治疗的有效性。