机器学习PAI实现精细化营销
1.精细化营销的目标用户就是有需求的用户，精细化营销不是私人定制(移动套餐)：低成本高收益
2.聚类没有参考物，分类有参考物
3.精细化营销的数据处理过程：
商业理解：业务理解，需求理解，目标确认，什么流程，什么方案
数据理解：数据分布，数据来源，覆盖业务，数据质量
数据预处理：解决脏数据，错误数据问题，把数据标准化规范化，提高数据质量
归一，采样，拆分，过滤，映射等(如：汉字和数字和英文字符——归一)
构建模型：机器学习实现算法的模型
回归，分类，聚类
模型评估：对前期的模型构建后的数据模型进行评估是否满足要求，实现预估目的，达到目标(不同方法，不同参数等)
模型发布
4.精细化营销示例：
集团客户健康度分析，西南航空——客户分群价值评估(降低空座率)，百货公司——怀孕预测指数
5.将没有共同信息或消费模式的客户找出的过程就是客户分群的过程
6.数据模型构建：历史数据通过训练，通过计算，找到模型，预测未来
7.阿里云机器学习PAI主要特点：
降低存储和计算成本，降低技术门槛
8.机器学习PAI应用流程不一定必须，由特定任务场景决定
9.PAI有三类数据源：OSS，MySQL数据库，MaxCompute
10.数据预处理模块包括：
采样与合并：随机采样，加权采样，过滤与映射，分量采样
数据合并：
类型转换，增加序号列，拆分，缺失值填充，归一化，标准化，KV in Table，Table in KV
11.特征工程功能组件包括：
特征变换：特征尺度变换，特征异常平滑，异常检测模块，one-test编码，特征提取，生成分析(PCA)
特征重要性评估
特征选择
特征形成
12.统计分析：
数据视图，协方差，经验概率密度图，全表统计，卡方拟合性检验，卡方独立性检验，精线图，散点图，相关系数矩阵，双样本T检验，单样本T检验，正态检验，洛伦兹曲线，百分位，皮尔斯系数，直方图(多字段)，离散值特征分析
13.机器学习组件就是算法处理组件：
二分类；多分类；聚类：K均值聚类；回归；关联推荐；
14.评估组件：
二分类评估
回归模型评估
聚类模型评估：系数CH基于类内聚合度和类间分离度定义的聚类评价指标，数值越大划分越优秀(分类不同最优聚类不同)
混淆矩阵
多分类评估
评估后可进行在线预测部署或离线调度
15.特征因子分析：(反复迭代，不断计算评估，找到最好的数据属性)
数据中包含的数据变量，如果过多参与建模，势必削弱主要业务属性的影响，并给分析带来困难；相反，如果过少则可能遗漏一些重要属性关系，因此特征因子分析至关重要