數(shù)據(jù)科學平臺是慧都提供的數(shù)據(jù)挖掘、預測分析解決方案，平臺擁有簡單的圖形界面和高級分析能力，利用強大的建模、評估和自動化功能發(fā)現(xiàn)結構化和非結構化數(shù)據(jù)中的趨勢，使得企業(yè)和分析師增加生產(chǎn)力，分析大數(shù)據(jù)以獲取預測性洞察，制定有效的業(yè)務戰(zhàn)略。數(shù)據(jù)科學平臺可按照企業(yè)實際需求完全定制。

主要算法（并不僅限于本案例）

1.Logistic回歸

Logistic回歸是一種廣義線性回歸（generalized linear model），因此與多重線性回歸分析有很多相同之處。

優(yōu)點：計算代價不高，易于理解和實現(xiàn)；

缺點：容易欠擬合，分類精度可能不高。

適用數(shù)據(jù)類型：數(shù)值型和標稱型數(shù)據(jù)。

適用情景：LR的好處是輸出值自然地落在0到1之間，并且有概率意義，但處理不好特征之間相關的情況。雖然效果一般，卻勝在模型清晰，背后的概率學經(jīng)得住推敲。它擬合出來的參數(shù)就代表了每一個特征對結果的影響，是一個理解數(shù)據(jù)的好工具。

2.決策樹（decision tree）

決策樹是一個樹結構（可以是二叉樹或非二叉樹）。其每個非葉節(jié)點表示一個特征屬性上的測試，每個分支代表這個特征屬性在某個值域上的輸出，而每個葉節(jié)點存放一個類別。

優(yōu)點：容易解釋，非參數(shù)型

缺點：趨向過擬合，可能或陷于局部最小值中，沒有在線學習。

適用情景：數(shù)據(jù)分析師希望更好的理解手上的數(shù)據(jù)的時候往往可以使用決策樹。同時它抗噪聲的能力較低，換句話說，它很容易被“臟數(shù)據(jù)”影響的分類器。因為決策樹最終在底層判斷是基于單個條件的，往往只要有一小部分“臟數(shù)據(jù)”就可以影響學習效果。受限于它的簡單性，決策樹更大的用處是作為一些更有用的算法的基石。

3.隨機森林

隨機森林顧名思義，是用隨機的方式建立一個森林，森林里面有很多的決策樹組成，隨機森林的每一棵決策樹之間是沒有關聯(lián)的。

優(yōu)點：不會過擬合，能夠展現(xiàn)變量的權重，具有很好的抗干擾能力

缺點：可能由于疊加掩蓋真實的結果，對小數(shù)據(jù)或者低維數(shù)據(jù)分類效果差，學習效率慢。

適用情景：數(shù)據(jù)維度相對低（幾十維），同時對準確性有較高要求時。因為不需要很多參數(shù)調(diào)整就可以達到不錯的效果，不知道用什么方法的時候都可以先試一下隨機森林。

4.支持向量機（SVM）

支持向量機是建立在統(tǒng)計學習理論的VC維理論和結構風險最小原理基礎上的，根據(jù)有限的樣本信息在模型的復雜性（即對特定訓練樣本的學習精度）和學習能力（即無錯誤地識別任意樣本的能力）之間尋求最佳折中，以求獲得最好的推廣能力 。

優(yōu)點：在非線性可分問題上表現(xiàn)優(yōu)秀

缺點：非常難以訓練，很難解釋

適用情景：SVM在很多數(shù)據(jù)集上都有優(yōu)秀的表現(xiàn)。相對來說，SVM盡量保持與樣本間距離的性質導致它抗攻擊的能力更強。和隨機森林一樣，這也是一個拿到數(shù)據(jù)就可以先嘗試一下的算法。

5.樸素貝葉斯（Naive Bayes）

在機器學習中，樸素貝葉斯分類器是一個基于貝葉斯定理的比較簡單的概率分類器，其中樸素是指的對于模型中各個特征有強獨立性的假設，并未將 feature 間的相關性納入考慮中。

優(yōu)點：快速、易于訓練、給出了它們所需的資源能帶來良好的表現(xiàn)

缺點：如果輸入變量是相關的，則會出現(xiàn)問題

適用情景：需要一個比較容易解釋，而且不同維度之間相關性較小的模型的時候。可以高效處理高維數(shù)據(jù)，雖然結果可能不盡如人意。

6.KNN

kNN算法又稱為k近鄰分類(k-nearest neighbor classification)算法，是從訓練集中找到和新數(shù)據(jù)最接近的k條記錄，然后根據(jù)他們的主要分類來決定新數(shù)據(jù)的類別。該算法涉及3個主要因素：訓練集、距離或相似的衡量、k的大小。

優(yōu)點：簡單，易于理解，易于實現(xiàn)，無需估計參數(shù)，無需訓練

缺點：懶惰算法，對測試樣本分類時的計算量大，可解釋性較差。

適用情景：適合對稀有事件進行分類（例如當流失率很低時，比如低于0.5%，構造流失預測模型）。特別適合于多分類問題(multi-modal,對象具有多個類別標簽)，例如根據(jù)基因特征來判斷其功能分類

7.線性回歸

線性回歸是最為人熟知的建模技術之一，通常也是預測模型的首選技術之一。在這種技術中，因變量是連續(xù)的，自變量可以是連續(xù)的也可以是離散的，回歸線的性質是線性的。

優(yōu)點：適合多因素模型，簡單，方便，計算結果唯一，可以準確地計量各個因素之間的相關程度與回歸擬合程度的高低。

缺點：需要選擇合適的輸入變量，且輸入變量不能有相關性，且有較高的局限性（響應變量和預測變量必須存在線性關系才能使用線性回歸）。

適用情景：如果輸入數(shù)據(jù)符合回歸模型的假設條件時，此種方法為最簡單明了，預測效果最佳的方法。任何數(shù)據(jù)質量不高或者數(shù)據(jù)模型選取不當?shù)男袨?，都會導致學習的結果異常。

汽車制造企業(yè)案例：設備運維預測

案例客戶為國內(nèi)一家汽車制造企業(yè)，旗下暢銷車型銷量一直位列國內(nèi)同級別前三位，工廠各產(chǎn)線常年處于全負荷運轉的狀態(tài)。此外，工廠擁有數(shù)量眾多的現(xiàn)代化生產(chǎn)設備，如沖壓設備、焊裝設備、涂裝設備、總裝設備等，企業(yè)設備管理科對各種設備維護檢修壓力巨大，設備配件的備件工作也始終是困擾客戶的難題。

經(jīng)過多次去客戶現(xiàn)場實地考察以及和設備管理人員的深入溝通，慧都為客戶量身定制了設備運維預測分析平臺解決方案，方案依托于數(shù)據(jù)科學平臺打造，基于客戶的業(yè)務目標，利用機器學習算法，結合業(yè)務對象模型對特征值（采集的設備各參數(shù)）進行數(shù)據(jù)探究和特征項的預處理，通過不斷迭代的過程構建設備維護及故障預測模型，再結合測試數(shù)據(jù)集對構建的模型進行評估。

預測平臺的誕生，使得設備的維護不再像此前只是遵循固定的維護時間表，而是用預測模型判斷設備實際的運行狀況是否需要維護，有效降低維護的頻率，從而減少工廠設備維護的支出，設備配件備件人員也可按照預測情況進行科學的備件。除此之外，平臺還可根據(jù)歷史數(shù)據(jù)對設備的突發(fā)故障進行預測和預警，降低設備宕機的風險。

設備參數(shù)類型截圖：

經(jīng)過對工廠設備數(shù)據(jù)的分析及考證，設備故障率隨時間變化趨勢如下：

平臺截圖如下：

關于慧都大數(shù)據(jù)分析平臺

慧都大數(shù)據(jù)分析平臺「GetInsight®」升級發(fā)布，將基于企業(yè)管理駕駛艙、產(chǎn)品質量分析及預測、設備分析及預測等大數(shù)據(jù)模型的構建，助力企業(yè)由傳統(tǒng)運營模式向數(shù)字化、智能化的新模式轉型升級，抓住數(shù)據(jù)經(jīng)濟的發(fā)展勢頭，提供管理效能，精準布局未來。了解更多，請聯(lián)系。

慧都大數(shù)據(jù)專業(yè)團隊為企業(yè)提供商業(yè)智能大數(shù)據(jù)平臺搭建，免費業(yè)務咨詢，定制開發(fā)等完整服務，快速、輕松、低成本將任何Hadoop集群從試用階段轉移到生產(chǎn)階段。

歡迎撥打慧都熱線023-68661681或咨詢慧都在線客服，我們有專業(yè)的大數(shù)據(jù)團隊，為您提供免費大數(shù)據(jù)相關業(yè)務咨詢！