越來越多的應用涉及到大數(shù)據(jù)，不幸的是所有大數(shù)據(jù)的屬性，包括數(shù)量、速度、多樣性等等都是描述了數(shù)據(jù)庫不斷增長的復雜性。那么大數(shù)據(jù)給我們帶來了什么好處呢？大數(shù)據(jù)最大的好處在于能夠讓我們從這些數(shù)據(jù)中分析出很多智能的、深入的、有價值的信息。

最近比較了179種不同的分類學習方法（分類學習算法）在121個數(shù)據(jù)集上的性能，發(fā)現(xiàn)Random Forest（隨機森林）和SVM（支持向量機）分類準確率最高，在大多數(shù)情況下超過其他方法。本文針對“大數(shù)據(jù)分析到底需要多少種工具？”

分類方法大比武

大數(shù)據(jù)分析主要依靠機器學習和大規(guī)模計算。機器學習包括監(jiān)督學習、非監(jiān)督學習、強化學習等，而監(jiān)督學習又包括分類學習、回歸學習、排序?qū)W習、匹配學習等（見圖1）。分類是最常見的機器學習應用問題，比如垃圾郵件過濾、人臉檢測、用戶畫像、文本情感分析、網(wǎng)頁歸類等，本質(zhì)上都是分類問題。分類學習也是機器學習領域，研究最徹底、使用最廣泛的一個分支。

圖1機器學習分類體系

最近、Fernández-Delgado等人在JMLR（Journal of Machine Learning Research，機器學習頂級期刊）雜志發(fā)表了一篇有趣的論文。他們讓179種不同的分類學習方法（分類學習算法）在UCI 121個數(shù)據(jù)集上進行了“大比武”（UCI是機器學習公用數(shù)據(jù)集，每個數(shù)據(jù)集的規(guī)模都不大）。結果發(fā)現(xiàn)Random Forest（隨機森林）和SVM（支持向量機）名列第一、第二名，但兩者差異不大。在84.3%的數(shù)據(jù)上、Random Forest壓倒了其它90%的方法。也就是說，在大多數(shù)情況下，只用Random Forest 或 SVM事情就搞定了。

幾點經(jīng)驗總結

大數(shù)據(jù)分析到底需要多少種機器學習的方法呢？圍繞著這個問題，我們看一下機器學習領域多年得出的一些經(jīng)驗規(guī)律。

大數(shù)據(jù)分析性能的好壞，也就是說機器學習預測的準確率，與使用的學習算法、問題的性質(zhì)、數(shù)據(jù)集的特性包括數(shù)據(jù)規(guī)模、數(shù)據(jù)特征等都有關系。

一般地，Ensemble方法包括Random Forest和AdaBoost、SVM、Logistic Regression 分類準確率最高。

沒有一種方法可以“包打天下”。Random Forest、SVM等方法一般性能最好，但不是在什么條件下性能都最好。

不同的方法，當數(shù)據(jù)規(guī)模小的時候，性能往往有較大差異，但當數(shù)據(jù)規(guī)模增大時，性能都會逐漸提升且差異逐漸減小。也就是說，在大數(shù)據(jù)條件下，什么方法都能work的不錯。參見圖2中Blaco & Brill的實驗結果。

對于簡單問題，Random Forest、SVM等方法基本可行，但是對于復雜問題，比如語音識別、圖像識別，最近流行的深度學習方法往往效果更好。深度學習本質(zhì)是復雜模型學習，是今后研究的重點。

在實際應用中，要提高分類的準確率，選擇特征比選擇算法更重要。好的特征會帶來更好的分類結果，而好的特征的提取需要對問題的深入理解。

應采取的大數(shù)據(jù)分析策略

建立大數(shù)據(jù)分析平臺時，選擇實現(xiàn)若干種有代表性的方法即可。當然，不僅要考慮預測的準確率，還有考慮學習效率、開發(fā)成本、模型可讀性等其他因素。大數(shù)據(jù)分析平臺固然重要，同時需要有一批能夠深入理解應用問題，自如使用分析工具的工程師和分析人員。

只有善工利器，大數(shù)據(jù)分析才能真正發(fā)揮威力。

在工具學習上，入門工具推薦兩類：SQL（Structured Query Language）、Microsoft Office Excel，進階工具推薦：SPSS Clementine/Python。

1、SQL

SQL是數(shù)據(jù)提取工具，大中型企業(yè)都會建立自己的數(shù)據(jù)庫系統(tǒng)，常用數(shù)據(jù)會建立數(shù)據(jù)報表系統(tǒng)（常說的BI系統(tǒng)，即business intelligence），供業(yè)務人員使用。但深入業(yè)務分析需要更多的底層數(shù)據(jù)，報表系統(tǒng)里沒有呈現(xiàn)的數(shù)據(jù)，這時就需要使用SQL工具提取數(shù)據(jù)庫系統(tǒng)數(shù)據(jù)。

SQL工具很多，有oracle、mysql、sqlserver、hive等，除了細微差異，大多數(shù)SQL語句都通用。

SQL工具學習很容易，真正需要下功夫的是對數(shù)據(jù)庫表結構的了解。從常用數(shù)據(jù)表了解，摸清數(shù)據(jù)指標及含義，建立起表結構間關系，完成日常工作數(shù)據(jù)提取工作為要。有精力的童鞋可以再去探索非常用數(shù)據(jù)表。

2、Microsoft Office Excel

Excel應該是所有數(shù)據(jù)分析師的入門工具。除了一些常用功能使用外，就是使用數(shù)據(jù)透視表和多學習內(nèi)嵌函數(shù)，能省去不少工作量。除了數(shù)據(jù)量級處理有限外，Excel功能強大不能僅僅用強大來形容。高階Excel學習，可以繼續(xù)了解宏使用。

3、SPSS Clementine/Python

在數(shù)據(jù)分析進階路上，還有一類工具是：數(shù)據(jù)建模工具，如SPSS Clementine、R、Python等。大數(shù)據(jù)時代，數(shù)據(jù)維度過于豐富，數(shù)據(jù)量級過于龐大，對于未知數(shù)據(jù)探索，手動計算發(fā)現(xiàn)數(shù)據(jù)關系的工作量已經(jīng)過于繁重，交給這些數(shù)據(jù)模型工具就簡單多了。其內(nèi)嵌了大量精細的數(shù)據(jù)算法，我們需要做的就是掌握統(tǒng)計理論，掌握算法原理，輸入規(guī)范的數(shù)據(jù)，等待模型的結果。當然，對模型的掌握，結論的解讀，業(yè)務的理解，都是使用建模工具必須要學習的

下面我總結了分析大數(shù)據(jù)的5個方面。

1. Analytic Visualizations（可視化分析）

不管是對數(shù)據(jù)分析專家還是普通用戶，數(shù)據(jù)可視化是數(shù)據(jù)分析工具最基本的要求。可視化可以直觀的展示數(shù)據(jù)，讓數(shù)據(jù)自己說話，讓觀眾聽到結果。

2. Data Mining Algorithms（數(shù)據(jù)挖掘算法）

可視化是給人看的，數(shù)據(jù)挖掘就是給機器看的。集群、分割、孤立點分析還有其他的算法讓我們深入數(shù)據(jù)內(nèi)部，挖掘價值。這些算法不僅要處理大數(shù)據(jù)的量，也要處理大數(shù)據(jù)的速度。

3. Predictive Analytic Capabilities（預測性分析能力）

數(shù)據(jù)挖掘可以讓分析員更好的理解數(shù)據(jù)，而預測性分析可以讓分析員根據(jù)可視化分析和數(shù)據(jù)挖掘的結果做出一些預測性的判斷。

4. Semantic Engines（語義引擎）

我們知道由于非結構化數(shù)據(jù)的多樣性帶來了數(shù)據(jù)分析的新的挑戰(zhàn)，我們需要一系列的工具去解析、提取、分析數(shù)據(jù)。語義引擎需要被設計成能夠從“文檔”中智能提取信息。

5. Data Quality and Master Data Management（數(shù)據(jù)質(zhì)量和數(shù)據(jù)管理）

數(shù)據(jù)質(zhì)量和數(shù)據(jù)管理是一些管理方面的最佳實踐。通過標準化的流程和工具對數(shù)據(jù)進行處理可以保證一個預先定義好的高質(zhì)量的分析結果。

假如大數(shù)據(jù)真的是下一個重要的技術革新的話，我們最好關注大數(shù)據(jù)能給我們帶來的好處，而不僅僅是挑戰(zhàn)。