1.3　回顾预测分析的重要概念

在本节中，我们将介绍本书会用到的一些术语，并明确其相关的含义。有时，初学者的学习困惑部分来自于术语。有些概念可能有多个术语。举一个极端的例子，变量、特征、属性、自变量、预测变量、回归变量、协变量、解释变量、输入和因子，这些术语可能表示的是相同的含义！造成这种糟糕局面的原因是研究者来自不同的领域（如统计学、计量经济学、计算机科学、运筹学等），每个领域都有独特的命名方式，因此进行预测分析时也引用了各领域的术语。但是别担心，你很快就会习惯了。

现在我们来看一些基本概念。记住，术语的定义不必过于正式，也不需要逐字记住。在这里，本书会为相关术语构建清晰的定义。数据是预测分析的“原始材料”，因此我们需要先对一些关键性的数据概念加以定义。

● 数据。获得并存储起来的记录，这些记录在某些上下文中是有意义的。

● 观测单元。分析对象的实体。很多时候它在背景中很清晰，但有时候很难定义（尤其是与非技术人士沟通时）。假设要对连锁超市的一组商店的“销售数据”进行分析，这项定义模糊的任务可以定义为许多观测单元的组合，观测单元包括商店、收银机、交易、日期等。一旦知道了观测单元是什么（如顾客、房屋、患者、城市、细胞、石头、星星、数据、产品、交易、推文、网站等），你就可以了解它们的属性。

● 属性。分析单元的特征。如果分析单元是患者，那么属性可以是年龄、身高、体重、体重指数、胆固醇水平等。

● 数据点、样本、观测和实例。具备所有可用属性的单个观测单元。

● 数据集。一组数据点，通常以表格形式储存，如关系数据库表或其他电子表格。

在许多问题中，数据集的形式是非结构化的，如视频、音频、推文和博客文章。但是，在预测分析中讨论数据集时，通常指结构化的数据集、一个表格或一组相关的表格。在进行预测分析时，大部分时间可能花在数据集的格式转换上，即从非结构化转到结构化。

此外，从现在开始，讨论数据集就表示对象是单个表格。尽管真实的数据集可能由多个表格组成，但本书把它当作单个表格。典型的表格如图1-1所示。

图1-1

在该数据集中，观测单元是“Customer”，它是项目关注的实体对象。每一行表示一个观测或一个数据点，可以看到，每个数据点都有一系列属性（如Customer id、Age、Preferential status等）。下面我们讨论与这个数据集有关的建模词汇表。首先，从数学的角度看，每一列可以看作一个变量，变量的取值可能有变化，可以从一个数据点改变至另一个数据点。数据集中的变量关键是类型，类型有以下多种可能。

● 分类变量：取值只考虑有限个可能的变量，如性别、国家、交易类型、年龄组、婚姻状况、电影类型等。这类变量包含如下两个子类。

❏ 序数变量：属性有大小排序的变量，如年龄组（21～30岁、31～40岁、41～50岁，51岁及以上）或者衬衣型号（小号、中号、大号）。

❏ 基数变量：属性取值顺序无意义的变量。

● 数值变量：取值可以在某个定义区间内发生变化的变量。这类变量包含如下两个子类。

❏ 连续变量：原则上可以取区间内任意值的变量，如人的身高、股票价格、星星的质量以及信用卡余额。

❏ 整数变量：只能取整数值的变量，如孩子的个数、年龄（如果用年来度量）、一座房子的房间个数等。

数据集中有一列非常重要：就是我们想预测的那一列。这一列也可以称为目标、因变量、响应结果或输出变量，表示预测的质量或数量，通常记作y。本书使用术语目标（Target）对其进行表示。

一旦识别了目标，其他候选列就成了特征、属性、因变量、预测变量、回归变量、解释变量或输入，这些列将用于预测目标。本书将使用术语变量（Variable）和特征（Feature）对其进行表示。

最后，我们给出预测模型（Predictive Model）的定义：它是一种使用特征预测目标的方法。我们也可以将其看作数学函数：输入是一组特征和目标，输出是目标的预测值。从抽象层次来看，预测模型如图1-2所示。

尽管图1-2有一定的局限（某些人甚至可能会认为它是错的），但是足以说明预测模型的一般性概念。我们将在后续章节深入研究预测模型的细节，并构建多个预测模型。

图1-2

至此，我们已经介绍了预测模型的定义和本书会用到的一些重要术语。接下来，我们讨论预测分析过程。