大数据分析建模方法

『壹』 创建有效的大数据模型的6个技巧

创建有效的大数据模型的6个技巧
数据建模是一门复杂的科学，涉及组织企业的数据以适应业务流程的需求。它需要设计逻辑关系，以便数据可以相互关联，并支持业务。然后将逻辑设计转换成物理模型，该物理模型由存储数据的存储设备、数据库和文件组成。
历史上，企业已经使用像SQL这样的关系数据库技术来开发数据模型，因为它非常适合将数据集密钥和数据类型灵活地链接在一起，以支持业务流程的信息需求。
不幸的是，大数据现在包含了很大比例的管理数据，并不能在关系数据库上运行。它运行在像NoSQL这样的非关系数据库上。这导致人们认为可能不需要大数据模型。
问题是，企业确实需要对大数据进行数据建模。
以下是大数据建模的六个提示：
1.不要试图将传统的建模技术强加于大数据
传统的固定记录数据在其增长中稳定且可预测的，这使得建模相对容易。相比之下，大数据的指数增长是不可预测的，其无数形式和来源也是如此。当网站考虑建模大数据时，建模工作应该集中在构建开放和弹性数据接口上，因为人们永远不知道何时会出现新的数据源或数据形式。这在传统的固定记录数据世界中并不是一个优先事项。
2.设计一个系统，而不是一个模式
在传统的数据领域中，关系数据库模式可以涵盖业务对其信息支持所需的数据之间的大多数关系和链接。大数据并非如此，它可能没有数据库，或者可能使用像NoSQL这样的数据库，它不需要数据库模式。
正因为如此，大数据模型应该建立在系统上，而不是数据库上。大数据模型应包含的系统组件包括业务信息需求、企业治理和安全、用于数据的物理存储、所有类型数据的集成、开放接口，以及处理各种不同数据类型的能力。
3.寻找大数据建模工具
有商业数据建模工具可以支持Hadoop以及像Tableau这样的大数据报告软件。在考虑大数据工具和方法时，IT决策者应该包括为大数据构建数据模型的能力，这是要求之一。
4.关注对企业的业务至关重要的数据
企业每天都会输入大量的数据，而这些大数据大部分是无关紧要的。创建包含所有数据的模型是没有意义的。更好的方法是确定对企业来说至关重要的大数据，并对这些数据进行建模。
5.提供高质量的数据
如果组织专注于开发数据的正确定义和完整的元数据来描述数据来自何处、其目的是什么等等，那么可以对大数据模型产生更好的数据模型和关系。可以更好地支持支持业务的数据模型。
6.寻找数据的关键切入点
当今最常用的大数据载体之一就是地理位置，这取决于企业的业务和行业，还
有其他用户需要的大数据常用密钥。企业越能够识别数据中的这些常用入口点，就越能够设计出支持企业关键信息访问路径的数据模型。

『贰』 数据分析建模步骤有哪些

1、分类和聚类

分类算法是极其常用的数据挖掘方法之一，其核心思想是找出目标数据项的共同特征，并按照分类规则将数据项划分为不同的类别。聚类算法则是把一组数据按照相似性和差异性分为若干类别，使得同一类别数据间的相似性尽可能大，不同类别数据的相似性尽可能小。分类和聚类的目的都是将数据项进行归类，但二者具有显著的区别。分类是有监督的学习，即这些类别是已知的，通过对已知分类的数据进行训练和学习，找到这些不同类的特征，再对未分类的数据进行分类。而聚类则是无监督的学习，不需要对数据进行训练和学习。常见的分类算法有决策树分类算法、贝叶斯分类算法等;聚类算法则包括系统聚类，K-means均值聚类等。

2、回归分析

回归分析是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，其主要研究的问题包括数据序列的趋势特征、数据序列的预测以及数据间的相关关系等。按照模型自变量的多少，回归算法可以分为一元回归分析和多元回归分析;按照自变量和因变量间的关系，又可分为线性回归和非线性回归分析。

3、神经网络

神经网络算法是在现代神经生物学研究的基础上发展起来的一种模拟人脑信息处理机制的网络系统，不但具备一般计算能力，还具有处理知识的思维、学习和记忆能力。它是一种基于导师的学习算法，可以模拟复杂系统的输入和输出，同时具有非常强的非线性映射能力。基于神经网络的挖掘过程由数据准备、规则提取、规则应用和预测评估四个阶段组成，在数据挖掘中，经常利用神经网络算法进行预测工作。

4、关联分析

关联分析是在交易数据、关系数据或其他信息载体中，查找存在于项目集合或对象集合之间的关联、相关性或因果结构，即描述数据库中不同数据项之间所存在关系的规则。例如，一项数据发生变化，另一项也跟随发生变化，则这两个数据项之间可能存在某种关联。关联分析是一个很有用的数据挖掘模型，能够帮助企业输出很多有用的产品组合推荐、优惠促销组合，能够找到的潜在客户，真正的把数据挖掘落到实处。4市场营销大数据挖掘在精准营销领域的应用可分为两大类，包括离线应用和在线应用。其中，离线应用主要是基于客户画像进行数据挖掘，进行不同目的针对性营销活动，包括潜在客户挖掘、流失客户挽留、制定精细化营销媒介等。而在线应用则是基于实时数据挖掘结果，进行精准化的广告推送和市场营销，具体包括DMP，DSP和程序化购买等应用。

『叁』 大数据建模一般有哪些步骤

1、数据测量

数据测量包括ECU内部数据获取，车内总线数据获取以及模拟量数据获取，特别是对于新能源汽车电机、逆变器和整流器等设备频率高达100KHz的信号测量，ETAS提供完整的解决方案。

2、大数据管理与分析

目前的汽车嵌入式控制系统开发环境下，人们可以通过各种各样不同的途径(如真实物体、仿真环境、模拟计算等)获取描述目标系统行为和表现的海量数据。

正如前文所述，ETAS数据测量环节获取了大量的ECU内部以及模拟量数据，如何存储并有效地利用这些数据，并从中发掘出目标系统的潜力，用以指引进一步的研发过程，成为极其重要的课题。

3、虚拟车辆模型建模与校准

基于大数据管理与分析环节对测量数据进行的分析，我们得到了一些参数之间的相互影响关系，以及相关物理变量的特性曲线。如何将这些隐含在大量数据中的宝贵的知识和数据保存下来并为我们后续的系统仿真分析所用呢?

模型是一个比较好的保存方式，我们可以通过建立虚拟车辆及虚拟ECU模型库，为后续车辆及ECU的开发验证提供标准化的仿真模型。ETAS除提供相关车辆子系统模型，还提供基于数据的建模和参数校准等完整解决方案。

4、测试与验证(XiL)

在测试与验证环节，通常包含模型在环验证(MiL)，软件在环验证(SiL)，虚拟测试系统验证(VTS)以及硬件在环验证(HiL)四个阶段，ETAS提供COSYM实现在同一软件平台上开展四个环节仿真验证工作。

关于大数据建模一般有哪些步骤，青藤小编就和您分享到这里了。如果您对大数据工程有浓厚的兴趣，希望这篇文章可以为您提供帮助。如果您还想了解更多关于数据分析师、大数据工程师的技巧及素材等内容，可以点击本站的其他文章进行学习。

『肆』 如何对数据进行分析 大数据分析方法整理

【导读】随着互联网的发展，数据分析已经成了非常热门的职业，大数据分析师也成了社会打工人趋之若鹜的职业，不仅高薪还没有很多职场微世界的繁琐事情，不过要想做好数据分析工作也并不简单，今天小编就来和大家说说如何对数据进行分析?为此小编对大数据分析方法进行的归纳整理，一起来看看吧!

画像分群

画像分群是聚合契合某种特定行为的用户，进行特定的优化和剖析。

比方在考虑注册转化率的时候，需求差异移动端和Web端，以及美国用户和我国用户等不同场景。这样可以在途径战略和运营战略上，有针对性地进行优化。

趋势维度

树立趋势图表可以活络了解商场，用户或产品特征的根柢体现，便于进行活络迭代;还可以把方针依据不同维度进行切分，定位优化点，有助于挑选方案的实时性。

趋势维度

漏斗查询

经过漏斗剖析可以从先到后的次序恢复某一用户的途径，剖析每一个转化节点的转化数据。

悉数互联网产品、数据分析都离不开漏斗，不论是注册转化漏斗，仍是电商下单的漏斗，需求注重的有两点。首先是注重哪一步丢掉最多，第二是注重丢掉的人都有哪些行为。

注重注册流程的每一进程，可以有用定位高损耗节点。

漏斗查询

行为轨道

行为轨道是进行全量用户行为的恢复，只看PV、UV这类数据，无法全面了解用户怎样运用你的产品。了解用户的行为轨道，有助于运营团队注重具体的用户领会，发现具体问题，依据用户运用习气规划产品、投进内容。

行为轨道

留存剖析

留存是了解行为或行为组与回访之间的相关，留存老用户的本钱要远远低于获取新用户，所以剖析中的留存是十分重要的方针之一。

除了需求注重全体用户的留存情况之外，商场团队可以注重各个途径获取用户的留存度，或各类内容招引来的注册用户回访率，产品团队注重每一个新功用用户的回访影响等。

留存剖析

A/B查验

A/B查验是比照不同产品规划/算法对效果的影响。

产品在上线进程中常常会运用A/B查验来查验产品效果，商场可以经过A/B查验来完毕不同构思的查验。

要进行A/B查验有两个必备要素：

1)有满意的时刻进行查验

2)数据量和数据密度较高

由于当产品流量不行大的时候，做A/B查验得到核算经果是很难的。

A/B查验

优化建模

当一个商业方针与多种行为、画像等信息有相关时，咱们一般会运用数据挖掘的办法进行建模，猜测该商业效果的产生。

优化建模

例如：作为一家SaaS企业，当咱们需求猜测判别客户的付费自愿时，可以经过用户的行为数据，公司信息，用户画像等数据树立付费温度模型。用更科学的办法进行一些组合和权重，得知用户满意哪些行为之后，付费的或许性会更高。

以上就是小编今天给大家整理分享关于“如何对数据进行分析
大数据分析方法整理”的相关内容希望对大家有所帮助。小编认为要想在大数据行业有所建树，需要考取部分含金量高的数据分析师证书，一直学习，这样更有核心竞争力与竞争资本。

『伍』 大数据分析基础——维度模型

维度模型的概念出自于数据仓库领域，是数据仓库建设中的一种数据建模方法。维度模型主要由事实表和维度表这两个基本要素构成。

维度是度量的环境，用来反映业务的一类属性 ， 这类属性的集合构成一个维度 ， 也可以称为实体对象。 维度属于一个数据域，如地理维度(其中包括国家、地区、 省以及城市等级别的内容)、时间维度(其中包括年、季、月、周、日等级别的内容)。

维度是维度建模的基础和灵魂。在维度建模中，将度量称为“事实” ， 将环境描述为“维度”，维度是用于分析事实所需要的多样环境。例如， 在分析交易过程时，可以通过买家、卖家、商品和时间等维度描述交易发生的环境。

维度所包含的表示维度的列，称为维度属性。维度属性是查询约束条件、分组和报表标签生成的基本来源，是数据易用性的关键。

事实表是维度模型的基本表，每个数据仓库都包含一个或者多个事实数据表。事实数据表可能包含业务销售数据，如销售商品所产生的数据，与软件中实际表概念一样。

事实表作为数据仓库维度建模的核心，紧紧围绕着业务过程来设计，通过获取描述业务过程的度量来表达业务过程，包含了引用的维度和与业务过程有关的度量。

事实表中一条记录所表达的业务细节程度被称为粒度。通常粒度可以通过两种方式来表述:一种是维度属性组合所表示的细节程度:一种是所表示的具体业务含义。

作为度量业务过程的事实，一般为整型或浮点型的十进制数值，有可加性、半可加性和不可加性三种类型。

相对维度来说，通常事实表要细长，行的增加速度也比维度表快的多，维度表正好相反。

事实表有三种类型 :

原子指标和度量含义相同，基于某一业务事件行为下的度量，是业务定义中不可 再拆分的指标，具有明确业务含义的名词 ，如支付金额。

事实表和维度交叉汇聚的点，度量和维度构成OLAP的主要概念，这里面对于在事实表或者一个多维立方体里面存放的数值型的、连续的字段，就是度量。

维度表是事实表不可分割的部分。维度表是进入事实表的入口。丰富的维度属性给出了丰富的分析切割能力。维度给用户提供了使用数据仓库的接口。最好的属性是文本的和离散的。属性应该是真正的文字而不应是一些编码简写符号。应该通过用更为详细的文本属性取代编码，力求最大限度地减少编码在维度表中的使用。

维度表和事实表二者的融合也就是“维度模型”，“维度模型”一般采用“星型模式”或者“雪花模式”，“雪花模式”可以看作是“星型模式”的拓展，表现为在维度表中，某个维度属性可能还存在更细粒度的属性描述，即维度表的层级关系。

维度属性也可以存储到事实表中，这种存储到事实表中的维度列被称为“退化维度”。与其他存储在维表中的维度一样 ，退化维度也可以用来进行事实表的过滤查询、实现聚合操作等。

下表显示的是一个维度（“城市”）和两个指标（“会话数”和“每次会话浏览页数”）。

维度中的一些描述属性以层次方式或一对多的方式相互关联，可以被理解为包含连续主从关系的属性层次。比如商品类目的最低级别是叶子类目，叶子类目属于二级类目，二级类目属于一级类目。在属性的层次结构中进行钻取是数据钻取的方法之一。

当属性层次被实例化为一系列维度，而不是单一的维度时，被称为雪花模式。

大多数联机事务处理系统( OLTP)的底层数据结构在设计时采用此种规范化技术，通过规范化处理将重复属性移至其自身所属的表中，删除冗余数据。

将维度的属性层次合并到单个维度中的操作称为反规范化。分析系 统的主要目的是用于数据分析和统计，如何更方便用户进行统计分析决 定了分析系统的优劣。采用雪花模式，用户在统计分析的过程中需要 大 量的关联操作，使用复杂度高，同时查询性能很差;而采用反规范化处 理，则方便、易用且性能好。

数据仓库总线架构的重要基石之一就是一致性维度。在针对不同数 据域进行迭代构建或并行构建时，存在很多需求是对于不同数据域的业 务过程或者同 一数据域的不同业务过程合并在 一起观察。比如对于日志数据域，统计了商品维度的最近一天的 PV 和 UV; 对于交易数据域， 统计了商品维度的最近一天的下单MV。现在将不同数据域的商品的 事实合并在一起进行数据探查 ，如计算转化率等，称为交叉探查。

我们先来看数据仓库的定义:数据仓库是一个面向主题的、 集成的 、 非易失的且随时间变化的数据集合，用来支持管理人员的决策。

数据由面向应用的操作型环境进人数据仓库后，需要进行数据 集成。将面向应用的数据转换为面向主题的数据仓库数据，本身就是一种集成。

具体体现在如下几个方面:

表级别的整合，有两种表现形式。

水平拆分
维度通常可以按照类别或类型进行细分。由于维度分类的不同而存在特殊的维度属性，可以通过水平拆分的方式解决此问题。

在设计过程中需要重点考虑以下三个原则。

根据数据模型设计思想，在对维度进行水平拆分时，主要考虑如下两个依据。

垂直拆分
在维度设计内容中，我们提到维度是维度建模的基础和灵魂，维度 属性的丰富程度直接决定了数据仓库的能力。在进行维度设计时，依据 维度设计的原则，尽可能丰富维度属性，同时进行反规范化处理。

某些维度属性的来源表产出时间较早，而某些维度属性的来 源 表产出时间较晚;或者某些维度属性的热度高、使用频繁，而某些维度属性的热度低、较少使用 ; 或者某些维度属性经常变化，而某些维度属性比较稳定。在“水平拆分”中提到的模型设计的三个原则同样适合解决此问题。

出于扩展性、产出时间、易用性等方面的考虑，设计 主从维度。主 维表存放稳定 、 产出时间早、热度高的属性;从维表存放变化较快、产 出时间晚、热度低的属性。

参考
《The Data Warehouse Toolkit-The Complete Guide to Dimensional Modeling》
《Google Analytics》
《大数据之路》

欢迎关注 高广超的博客 与 收藏文章 ！
欢迎关注 头条号：互联网技术栈 ！

『陆』 大数据分析领域有哪些分析模型

数据角度的模型一般指的是统计或数据挖掘、机器学习、人工智能等类型的模型，是纯粹从科学角度出发定义的。
1. 降维
在面对海量数据或大数据进行数据挖掘时，通常会面临“维度灾难”，原因是数据集的维度可以不断增加直至无穷多，但计算机的处理能力和速度却是有限的；另外，数据集的大量维度之间可能存在共线性的关系，这会直接导致学习模型的健壮性不够，甚至很多时候算法结果会失效。因此，我们需要降低维度数量并降低维度间共线性影响。
数据降维也被成为数据归约或数据约减，其目的是减少参与数据计算和建模维度的数量。数据降维的思路有两类：一类是基于特征选择的降维，一类是是基于维度转换的降维。
2. 回归
回归是研究自变量x对因变量y影响的一种数据分析方法。最简单的回归模型是一元线性回归（只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示），可以表示为Y=β0+β1x+ε，其中Y为因变量，x为自变量，β1为影响系数，β0为截距，ε为随机误差。
回归分析按照自变量的个数分为一元回归模型和多元回归模型；按照影响是否线性分为线性回归和非线性回归。
3. 聚类
聚类是数据挖掘和计算中的基本任务，聚类是将大量数据集中具有“相似”特征的数据点划分为统一类别，并最终生成多个类的方法。聚类分析的基本思想是“物以类聚、人以群分”，因此大量的数据集中必然存在相似的数据点，基于这个假设就可以将数据区分出来，并发现每个数据集（分类）的特征。
4. 分类
分类算法通过对已知类别训练集的计算和分析，从中发现类别规则，以此预测新数据的类别的一类算法。分类算法是解决分类问题的方法，是数据挖掘、机器学习和模式识别中一个重要的研究领域。
5. 关联
关联规则学习通过寻找最能够解释数据变量之间关系的规则，来找出大量多元数据集中有用的关联规则，它是从大量数据中发现多种数据之间关系的一种方法，另外，它还可以基于时间序列对多种数据间的关系进行挖掘。关联分析的典型案例是“啤酒和尿布”的捆绑销售，即买了尿布的用户还会一起买啤酒。
6. 时间序列
时间序列是用来研究数据随时间变化趋势而变化的一类算法，它是一种常用的回归预测方法。它的原理是事物的连续性，所谓连续性是指客观事物的发展具有合乎规律的连续性，事物发展是按照它本身固有的规律进行的。在一定条件下，只要规律赖以发生作用的条件不产生质的变化，则事物的基本发展趋势在未来就还会延续下去。
7. 异常检测
大多数数据挖掘或数据工作中，异常值都会在数据的预处理过程中被认为是“噪音”而剔除，以避免其对总体数据评估和分析挖掘的影响。但某些情况下，如果数据工作的目标就是围绕异常值，那么这些异常值会成为数据工作的焦点。
数据集中的异常数据通常被成为异常点、离群点或孤立点等，典型特征是这些数据的特征或规则与大多数数据不一致，呈现出“异常”的特点，而检测这些数据的方法被称为异常检测。
8. 协同过滤
协同过滤（Collaborative Filtering，CF)）是利用集体智慧的一个典型方法，常被用于分辨特定对象（通常是人）可能感兴趣的项目（项目可能是商品、资讯、书籍、音乐、帖子等），这些感兴趣的内容来源于其他类似人群的兴趣和爱好，然后被作为推荐内容推荐给特定对象。
9. 主题模型
主题模型（Topic Model），是提炼出文字中隐含主题的一种建模方法。在统计学中，主题就是词汇表或特定词语的词语概率分布模型。所谓主题，是文字（文章、话语、句子）所表达的中心思想或核心概念。
10. 路径、漏斗、归因模型
路径分析、漏斗分析、归因分析和热力图分析原本是网站数据分析的常用分析方法，但随着认知计算、机器学习、深度学习等方法的应用，原本很难衡量的线下用户行为正在被识别、分析、关联、打通，使得这些方法也可以应用到线下客户行为和转化分析。

『柒』 大数据分析方法与模型有哪些

1、分类分析数据分析法

在数据分析中，如果将数据进行分类就能够更好的分析。分类分析是将一些未知类别的部分放进我们已经分好类别中的其中某一类;或者将对一些数据进行分析，把这些数据归纳到接近这一程度的类别，并按接近这一程度对观测对象给出合理的分类。这样才能够更好的进行分析数据。

2、对比分析数据分析方法

很多数据分析也是经常使用对比分析数据分析方法。对比分析法通常是把两个相互有联系的数据进行比较，从数量上展示和说明研究对象在某一标准的数量进行比较，从中发现其他的差异，以及各种关系是否协调。

3、相关分析数据分析法

相关分析数据分析法也是一种比较常见数据分析方法，相关分析是指研究变量之间相互关系的一类分析方法。按是否区别自变量和因变量为标准一般分为两类：一类是明确自变量和因变量的关系;另一类是不区分因果关系，只研究变量之间是否相关，相关方向和密切程度的分析方法。

4、综合分析数据分析法

层次分析法，是一种实用的多目标或多方案的决策方法。由于他在处理复杂的决策问题上的实用性和有效性，而层次分析数据分析法在世界范围得到广泛的应用。它的应用已遍及经济计划和管理，能源政策和分配，行为科学、军事指挥、运输、农业、教育、医疗和环境等多领域。

『捌』 大数据工程师常见数据分析方法是什么

1、可视化分析
不管是对数据分析专家还是普通用户，数据可视化是数据分析工具最基本的要求。可视化可以直观的展示数据，让数据自己说话，让群众们以更直观，更易懂的方式了解结果。
2、数据挖掘算法
数据挖掘又称数据库中的知识发现人工智能机式别、统计学、数据库、可视化技术等,高度自动化地分析企业的数据,做出归纳性的推理,从中挖掘出潜在的模式,帮助决策者调整市场策略,减少风险,做出正确的决策。
3、预测性分析能力
预测性分析结合了多种高级分析功能，包括特设统计分析、预测性建模、数据挖掘、文本分析、优化、实时评分、机器学习等。这些工具可以帮助企业发现数据中的模式，并超越当前所发生的情况预测未来进展。
4、语义引擎
由于非结构化数据的多样性带来了数据分析的新的挑战，需要一系列的工具去解析，提取，分析数据。语义引擎需要被设计成能够从“文档”中智能提取信息。
5、数据质量和数据管理
数据质量和数据管理是一些管理方面的最佳实践。通过标准化的流程和工具对数据进行处理可以保证一个预先定义好的高质量的分析结果。

『玖』 大数据建模常用方法有哪些

第一步：选择模型或自定义模式
一般情况，模型都有一个固定的模样和形式。但是，有些模型包含的范围较广，比如回归模型，其实不是某一个特定的模型，而是一类模型。我们知道，所谓的回归模型，其实就是自变量和因变量的一个函数关系式而已，如下表所示。因此，回归模型的选择，也就有了无限的可能性，回归模型的样子（或叫方程）可以是你能够想到的任何形式的回归方程。所以，从某种意义上看，你自己想出一个很少人见过的回归方程，也可以勉强算是自定义模型了哈！
第二步：训练模型
当模型选择好了以后，就到了训练模型这一步。
我们知道，之所以叫模型，这个模型大致的形状或模式是固定的，但模型中还会有一些不确定的东东在里面，这样模型才会有通用性，如果模型中所有的东西都固定死了，模型的通用性就没有了。模型中可以适当变化的部分，一般叫做参数，就比如前面回归模型中的α、β等参数。
所谓训练模型，其实就是要基于真实的业务数据来确定最合适的模型参数而已。模型训练好了，也就是意味着找到了最合适的参数。一旦找到最优参数，模型就基本可用了。
第三步：评估模型
模型训练好以后，接下来就是评估模型。
所谓评估模型，就是决定一下模型的质量，判断模型是否有用。
前面说过，模型的好坏是不能够单独评估的，一个模型的好坏是需要放在特定的业务场景下来评估的，也就是基于特定的数据集下才能知道哪个模型好与坏。
第四步：应用模型
如果评估模型质量在可接受的范围内，而且没有出现过拟合，于是就可以开始应用模型了。
这一步，就需要将可用的模型开发出来，并部署在数据分析系统中，然后可以形成数据分析的模板和可视化的分析结果，以便实现自动化的数据分析报告。
应用模型，就是将模型应用于真实的业务场景。构建模型的目的，就是要用于解决工作中的业务问题的，比如预测客户行为，比如划分客户群，等等。
五步：优化模型
优化模型，一般发生在两种情况下：
一是在评估模型中，如果发现模型欠拟合，或者过拟合，说明这个模型待优化。
二是在真实应用场景中，定期进行优化，或者当发现模型在真实的业务场景中效果不好时，也要启动优化。
如果在评估模型时，发现模型欠拟合（即效果不佳）或者过拟合，则模型不可用，需要优化模型。所谓的模型优化，可以有以下几种情况：
1）重新选择一个新的模型；
2）模型中增加新的考虑因素；
3）尝试调整模型中的阈值到最优；
4）尝试对原始数据进行更多的预处理，比如派生新变量。
不同的模型，其模型优化的具体做法也不一样。比如回归模型的优化，你可能要考虑异常数据对模型的影响，也要进行非线性和共线性的检验；再比如说分类模型的优化，主要是一些阈值的调整，以实现精准性与通用性的均衡。

『拾』 7.阿里大数据——大数据建模

数据模型就是数据组织和存储方法，它强调从业务、数据存取和使用角度合理存储数据。
适合业务和基础数据存储环境的模型，大数据能获得以下好处：

大数据系统需要数据模型方法来帮助更好的组织和存储数据，以便在性能、成本、效率和质量之间取得最佳平衡。

不管是Hadoop、Spark还是阿里巴巴集团的MaxCompute系统，仍然在大规模使用SQL进行数据的加工和处理，仍然在用Table存储数据，仍然在使用关系理论描述数据之间的关系，只是在大数据领域，基于其数据存取的特点在关系数据模型的范式上有了不同的选择而已。

从全企业的高度设计一个3NF模型，用实体关系（Entity Relationship，ER）模型描述企业业务，在范式理论上符合3NF。数据仓库中的3NF与OLTP中不同过，有以下特点：

ER模型建设数据仓库的出发点是整合数据，为数据分析决策服务。建模步骤分为三个阶段：

维度建模从分析决策的需求出发构建模型，为分析需求服务，因此它重点关注用户如何更快速地完成需求分析，同时具有较好的大规模复杂查询的响应性能。其典型代表事星形模型，以及在一些特殊场景下使用的雪花模型。其设计步骤如下：

它是ER模型的衍生，其设计的出发点也是为了实现数据的整合，但不能直接用于数据分析决策。它强调建立一个可审计的基础数据层，也就是强调数据的历史性、可追溯性和原子性，而不要求对数据进行过度的一致性处理和整合。该模型由一下几部分组成：

Anchor对Data Vault模型做了进一步规范化处理，设计的初衷是一个高度可扩展的模型，其核心思想是所有的扩展只是添加而不是修改，因此将模型规范到6NF，基本变成了k-v结构化模型。组成如下：

经历了多个阶段：