怎样用机器学习方式对网站进行数据挖掘？

随着大数据时代的到来，机器学习已经成为解决问题的重要而关键的工具。机器学习是工业界和学术界的热门方向，但学术界和工业界专注于机器学习的研究，学术界专注于机器学习理论的研究，工业界专注于如何利用机器学习来解决实际问题。结合美团在机器学习方面的实践，我们进行了实战（InAction）系列介绍(带有“机器学习Inaction系列”标签的文章)，介绍解决工业问题所需的基本技术、经验和技能。本文主要介绍了机器学习解决实际问题的整个过程，包括问题建模、准备培训数据、提取特征、培训模型和优化模型；其他文章将更深入地介绍这些关键环节。以下分为1)机器学习概述，2)问题建模，3)准备培训数据，4)选择特征，5)培训模型，6)优化模型，7)总结7章。机器学习概述：###机器学习是什么？随着机器学习在实际工业领域的不断应用，这个词已经被赋予了各种不同的含义。本文中“机器学习”的含义更符合wikipedia上的解释，如下：Machinelearningisascientificdisciplinethatdealswiththeconstructionandstudyofalgorithmsthatcanlearnfromdata.机器学习可分为无监督学习（unsupervisedlearning）监督学习（supervisedlearning），在工业界，监督学习是一种更常见、更有价值的方式，主要以这种方式介绍。如下图所示，在解决实际问题时，有两个过程需要监督机器学习。一个是离线培训过程（蓝色箭头），包括数据筛选和清洁、特征提取、模型培训和模型优化；另一个过程是应用过程（绿色箭头），用于估计需要估计的数据，提取特征，并使用离线培训获得的模型进行估计，以便在实际产品中获得估计值。在这两个过程中，离线培训是最具技术挑战性的工作（*估计过程中的许多工作可以重用离线培训过程），因此下面主要介绍离线培训过程。在这两个过程中，离线培训是最具技术挑战性的工作（许多*估计过程可以重复使用离线培训过程），因此以下主要介绍离线培训过程。###什么是模型？（model）？模型是机器学习中的一个重要概念。简单地说，它是指从特征空间到输出空间的映射；它通常由模型的假设函数和参数w组成（以下公式是Logisticregression模型的表达，并在训练模型的章节中详细解释）；假设空间的模型（hypothesisspace），指所有可能w对应的输出空间组成的给定模型的集合。Logisticregresion(简称LR)是工业界常用的模型、GradientBoostingDecisionTree(GBDT)、SupportVectorMachine(SVM)、DeepNeuralNetwork(简称DNN)等。模型训练是基于训练数据获得一组参数w，使特定目标最优化，即获得从特征空间到输出空间的最优映射。如何实现，请参见训练模型章节。模型训练是基于训练数据获得一组参数w，使特定目标最优化，即获得从特征空间到输出空间的最优映射。如何实现，请参见培训模型章节。###为什么要用机器学习来解决这个问题？目前，在大数据时代，到处都有T到P数据，简单的规则处理难以发挥这些数据的价值；廉价的高性能计算降低了基于大规模数据的学习时间和成本；廉价的大规模存储可以更快、更低的成本处理大规模数据；有很多高价值的问题，可以花很多精力用机器学习来解决问题。###什么问题应该用于机器学习？目标问题需要巨大的价值，因为解决机器学习问题有一定的成本；目标问题有大量的数据可用，大量的数据可以使机器学习更好地解决问题（相对于简单的规则或劳动力）；目标问题由多种因素(特征)决定，机器学习解决问题的优势可以体现出来(相对于简单的规则或人工)；由于机器学习可以基于数据自学和迭代，因此需要不断优化目标问题，继续发挥价值。本文以DEAL(团购订单)交易量估算为例(即估计一个给定的DEAL在一段时间内卖了多少钱)，介绍如何用机器学习解决问题。本文以DEAL（团购订单）交易量估算为例（即估计给定DEAL在一段时间内销售多少），介绍如何使用机器学习解决问题。首先，我们需要：收集问题信息，理解问题，成为这个问题的专家；解决问题，简化问题，将问题转化为机器可预测的问题。在对DEAL交易量进行深入理解和分析后，可以将其分解为以下几个问题：###单模型？多个模型？如何选择？根据上图拆解后，预测DEAL交易量有两种可能模式，一种是直接预测交易量；另一种是预测用户数量模型和访问率模型（访问DEAL用户将购买的列表数量），然后根据这些子问题的估计值计算交易量。不同的方法有不同的优缺点，具体如下：选择哪种模式？1）如果问题难以预测，则考虑使用多模型；2）如果问题本身的重要性非常重要，则考虑使用多模型；3）如果多模型之间的关系是否清晰，则可以使用多模型。若采用多模型，如何融合？线性融合可以根据问题的特点和要求进行，也可以进行复杂的融合。以本文为例，至少有两种问题：###模型选择DEAL交易量。我们认为直接估计是非常困难的。我们希望估计分裂成子问题，即多模型模型。由于机器学习解决问题的方法相似，因此有必要建立用户数模型和访购率模型。以下仅以访购率模型为例。为了解决采购率问题，我们必须首先选择模型。我们有以下考虑因素：主要考虑因素1）选择与业务目标一致的模型；2）选择与培训数据和特征一致的模型。训练数据少，Highlevel特征多，使用“复杂”非线性模型(流行GBDT)、Randomforest等。；训练数据很多，LowLevel有很多特点，所以使用“简单”的线性模型(流行的LR、Linear-SVM等。).补充考虑1)当前模型是否被工业界广泛使用；2)当前模型是否有成熟的开源工具包(公司内外)；3）当前工具包能否满足处理数据量的要求；4）您是否了解当前的模型理论，以及您是否以前使用过该模型来解决问题。为实际问题选择模型，需要转换的业务目标为模型评价目标，转换模型评价目标为模型优化目标；根据不同的业务目标选择合适的模型。具体关系如下：一般来说，真实值（回报）的估计、大小顺序(排序)、根据应用程序的需要，尽可能选择难度较小的目标，目标所在的正确区间(分类)难度从大到小。对于估计访购率的应用目标，我们至少需要知道大小顺序或真实值，所以我们可以选择AreaunderCurve（AUC）或者MeanAbsoluterrororrorle（MAE）以Maximumlikelihood为模型损失函数(即优化目标)作为评估目标。综上所述，我们选择GBDT或LR的spark版本，主要基于以下考虑：1）可以解决排序或回归问题；2）我们实现了算法，经常使用，效果很好；3）支持大量数据；4）广泛应用于工业行业。准备培训数据，深入了解问题。选择相应的问题模型后，需要准备数据；数据是机器学习解决问题的基础。如果数据选择错误，问题就无法解决。因此，在准备培训数据时需要特别小心和注意：###注意事项：待解决问题的数据本身的分布应尽可能一致；培训集/测试集的分布应尽可能与*预测环境的数据分布一致，这里的分布是指（x,y）分布不仅仅是y的分布；y的数据噪声尽可能小，尽量消除y的噪声数据；不需要采样。采样往往会改变实际数据分布，但如果数据太大，无法训练或正负比例严重失衡（如超过100:1)需要采样解决。###需要解决的常见问题和解决方案的数据分布不一致：1）DEAL数据在采购率问题上可能存在很大差异，如食品DEAL和酒店DEAL的影响因素或性能非常不一致，需要特殊处理；要么提前整合数据，要么以分布不一致因素为特征，要么单独培训各类DEAL模型。数据分布发生了变化：1）用半年前的数据培训模型来预测当前的数据，因为数据分布可能随时间而变化，效果可能很差。数据分布发生了变化：1）使用半年前的数据培训模型来预测当前的数据，因为数据分布可能会随着时间的推移而变化，效果可能会很差。试着使用最近的数据培训来预测当前的数据，历史数据可以减少模型的权利，也可以减少模型。y数据有噪音:1)建立CTR模型时，以用户看不到的Item为负例。这些Item没有点击，因为用户看不到。不一定是用户不喜欢，也不一定是点击，所以这些Item有噪音。一些简单的规则可以用来消除这些噪音负例，比如使用skip-above思想，即用户点击的Item以上，未点击的Item作为负例(假设用户从上到下浏览Item)。采样方法有偏见，不覆盖整个集合：1）在采购率问题上，如果只有一家门店的DEAL进行估计，则无法很好地估计多家门店的DEAL。我们应该确保一个商店和多个商店都有DEAL数据；2）如果没有客观数据的第二类问题，则使用规则获得正/负示例，并且规则对正/负示例的覆盖范围不全面。抽样数据应随机进行人工标记，以确保抽样数据与实际数据分布一致。###DEAL数据收集N个月的培训数据（x）以及相应的采购率（y）；收集最近N个月，消除节假日等非常规时间(保持一致的分布)；*时间只收集>并访问用户数量>U的DEAL(降低y的噪音)；考虑DEAL销售生命周期(保持一致分布)；考虑不同城市、商业区和类别的差异（保持一致的分布）。完成数据筛选和清洗后，需要对数据进行抽取，即将输入空间转换为特征空间(见下图)。在完成数据筛选和清理后，需要提取数据特征，即完成输入空间到特征空间的转换（见下图）。对于线性模型或非线性模型，需要提取不同的特征。线性模型需要更多的特征提取工作和技能，而非线性模型需要相对较低的特征提取要求。一般情况下，特征可分为Highlevel和Lowlevel，Highlevel是指含义较广的特征，Lowlevel是指含义较具体的特征，例如：   DEALA1属于POIA，人均50以下，访购率高；   属于POIA的DEALA2，人均50以上，访购率高；   POIB属于DEALB1，人均50以下，访购率高；   DEALB2属于POIB，人均50以上，访购率底部；基于上述数据，可抽取两个特征，POI(店)或人均消费；POI特征是LowLevel特征，人均消费是Highlevel的特征；假设该模型通过学习获得以下估计：如果DEALx属于POIA（LowLevelfeature），如果DEALx人均50以下，购买率高；（HighLevelfeature），访购率高。因此，总的来说，LowLevel更有针对性，单个特征覆盖面小(含此特征的数据不多)，特征数量(维度)大。因此，总的来说，Lowlevel更有针对性，单个特征覆盖范围小(包含此特征的数据不多)，特征数量(维度)大。Highlevel泛化，单个特征覆盖范围大(包含此特征的数据多)，特征数量(维度)小。Highlevel特征主要影响长尾样本的预测值。LowLevel特征主要影响高频样本的预测值。对于采购率问题，Highlevel或Lowlevel有大量的特征，其中一些显示在下图中：非线性模型的特征1）Highlevel特征可以主要使用，因为计算复杂，因此特征维度不应过高；2）Highlevel非线性映射可以更好地拟合目标。线性模型的特征1）特征系统应尽可能全面，HighLevel和LowLevel都应具备；2）HighLevel可以转换为LowLevel，以提高模型的拟合能力。###抽取特征归一化特征后，如果不同特征的取值范围相差很大，最好将特征归一化，以取得更好的效果，常用的归一化方法如下：Rescaling：以类似的方式将其归一化为[0，1]或[-1，1]：Standardization：设为x分布的平均值，x分布标准差；Scalingtounitlength：归一化到单位长度向量####特征选择特征选择和归一化后，如果发现特征太多，模型无法训练，或者模型容易过度拟合，则需要选择特征并选择有价值的特征。Filter：假设特征子集对模型估计的影响是独立的，选择特征子集来分析子集与数据Label之间的关系。如果有正相关性，则认为特征子集是有效的。Filter：假设特征子集对模型估计的影响是独立的，选择一个特征子集来分析子集和数据Label之间的关系。如果存在正相关关系，则认为该特征子集是有效的。有许多算法来衡量特征子集和数据Label之间的关系，例如Chi-square，InformationGain。Wrapper：选择特征子集加入原特征集，用模型训练，比较子集加入前后的效果。如果效果更好，则认为特征子集有效，否则认为无效。Embedded：将特征选择与模型训练相结合，如在损失函数中添加L1Norm、L2Norm。