在之前的一篇博客《大数据【企业级360°全方位用户画像】之RFM模型和KMeans聚类算法》中，博主为大家带来了KMeans聚类算法的介绍。并在之后，基于不同的模型开发标签，例如RFM,RFE,PSM，都使用到了KMeans算法。
本篇博客，我们来认识一种叫做USG的模型，并为大家简单介绍下关于决策树算法原理和实现。
USG(User Shopping Gender)
首先带领大家了解一下，如何通过大数据来确定用户的真实性别。
我们经常谈论的用户精细化运营，到底是什么？简单来讲，就是将网站的每个用户标签化，制作一个属于他自己的网络身份证。然后，运用人员通过身份证来确定活动的投放人群，圈定人群范围，更为精准的用户培养和管理。当然，身份证最基本的信息就是姓名，年龄和性别，与现实不同的是，网络上用户填写的资料不一定完全准确，还需要进行进一步的确认和评估。
确定性别这件事很重要，简单举个栗子，比如店铺想推荐新品的Bra，如果粗糙的全部投放人群或者投放到不准确性别的人群，那后果可想而知了。下面来介绍一下具体的识别思路。
用户平时在电商网站的购物行为、浏览行为、搜索行为，以及订单购买情况都会被记录在案，探查其消费能力，兴趣等。数据归类后，一般来讲，可以通过三类数据对用户进行分群和定义。
1、用户信息
社会特征：马克思的人性观把人分为社会属性和自然属性。社会特征主要指的是人在社会上的阶级属性，当然也包括服从性、依赖性或者自觉性等，这是人类发展的必然的基本要求。
自然特征：也可以说成是人的生物性，通常来讲可以是食欲，物欲或者购买欲，自我保存能力。但不同人会有不同的自然特征，比如学习能力和逻辑思维等。
兴趣特征：对于电商来讲，主要是对某件商品，某个品牌或者品类的兴趣程度，如加购、浏览、收藏、搜索和下单行为。
消费特征：消费能力的评估，消费倾向的评估，能够判断用户的消费层级，是高消费力还是低消费力。
2、商品
商品属性：基本信息，品类，颜色尺码型号等。
商品定位：商品层级，是否为高中低端，商品类型倾向于哪类客户，区域或者其他的特征。最后通过以上的信息来获取用户信息，判断其具体的画像特征，然后得到类似于这样子的网络身份证。
通常，拿到数据后，我们会将每个环节进行拆解，落实到具体的行动策略上。大体可以根据以下流程进行模型的预估： 业务目标： 精准投放，针对已有产品，寻找某性别偏好的精准人群进行广告投放。
技术目标： 对用户购物性别识别：男性，女性，中性
解决思路：选择一种分类算法，建立机器学习算法模型，对模型进行应用
线上投放：对得到的数据进行小范围内的测试投放，初期不宜过大扩大投放范围
效果分析：对投放的用户进行数据分析，评估数据的准确性。若不够完美，则需要重新建模和测试。
重点来了，虽然能够通过用户的行为、购买和兴趣数据，了解用户的基本信息，但是仍然不清楚如何建模？用什么语言建模？其实，购物性别的区分使用的是spark，但是机器学习算法也有很多分类，包含逻辑回归，线性支持向量机，朴素贝叶斯模型和决策树。那么，又该如何选择呢？其中，决策树的优点较多，主要是其变量处理灵活，不要求相互独立。可处理大维度的数据，不用预先对模型的特征有所了解。对于表达复杂的非线性模式和特征的相互关系，模型相对容易理解和解释。看起来决策树的方法最适合区分性别特征了，所以决定用决策树进行尝试。
什么是决策树？简单来讲，是通过训练数据来构建一棵用于分类的树，从而对未知数据进行高效分类。可以从下面的图了解决策树的工作原理。 构造决策树的步骤为：
通过训练数据来构建一棵用于分类的树，从而对未知数据进行高效分类。
以上步骤中，能够得出一个结论，在构建决策树的过程中，最重要的是如何找到最好的分割点。决策树值得注意的问题是过拟合问题，整个算法必须解决「如何停止分割」和「如何选择分割」两个关键问题。
最简单的做法就是设定树的深度或枝叶的最少样本量。但是，过少的样本量又不具有代表性，所以一般情况，可以使用交叉验证的方法。交叉验证就是可以使用一部分数据用于模型的训练，另一部分数据可以用来评估模型的性能。业内常用的划分方法是讲样本进行50/50分，60/40分或者80/20分。
在建模前期，首要考虑的事情就是先确定指标，以及对样本的定义。购物性别指的是什么？通过哪些数据来确定购物性别，样本的准确性，如何验证数据的可信度等。
先看下图，具体的逻辑可从图中查看。一般来讲，用户填写的资料不一定真实，我们对他/她的性别数据持怀疑态度，所以，就需要其他数据进行辅助证明其性别。
订单数据能够真实反映用户的购买心态，预测购买行为，并且能够通过购买商品的所属类别，判断用户的购买倾向，最后得到性别特征类目。不过本文就不展开探讨甄别特征类目的区分方法了。 根据数据结果，最终，确认了购物性别的定义。分为：
购物性别男：N月购买的男性特征类目子下单数> N月购买的女性特征类目子下单数
购物性别女：N月购买的男性特征类目子下单数> N月购买的女性特征类目子下单数
购物性别中性：未下单男女特征类目
N需要具体根据业务场景来定。
本节是具体的操作过程，模型的实操阶段。一般来讲，不同模型的训练其实大体雷同。从技术上来讲，各家算法大多使用sparkmllib，不同点是所运算的模型都是针对于场景来定的。 在全部样本中，取80%的数据用于训练模型
在全部样本中，取20%的数据用户数据测试
这种方式可以更好的根据数据的规模，提高模型的准确性
行业内当前采用数据挖掘、机器学习和推荐系统中的评测指标—准确率(Precision)、召回率(Recall)，准确率是应用最广的数据指标，也很清晰易懂，以男性为例。 准确率=命中的男性用户数量/所有预测男性数量，一般来讲，准确率可以评估模型的质量，他是很直观的数据评价，但并不是说准确度越高，算法越好。
召回率=命中的男性用户数量/所有男性数量，反映了被正确判定的正例占总的正例的比重。模型建立完后，需根据模型的结果与预期的对比，进行调优。
购物性别定义对于用户精准营销十分重要，疑难杂症，对症下药，才能出现更好的疗效。
对于新手来说，初期一定是对模型性能及效果分析不是很熟练，可先用小数据量进行测试， 走通全流程建表要规范，方便后期批量删除，因为建模是个反复的过程。
根据各类参数的评估结果，以及人工经验选定的模型参数，建立模型。值得注意的是，决策树的深度不要过深，以防止过拟合的问题。
在讲解其算法之前，我们需要掌握其常见的几个概念。
数据“承载了信息的东西”才是数据。
信息信息是用来消除随机不定性的东西。
信息量这里涉及到两个计算公式，可以分别通过事件发生的数量和概率来获得信息量。计算出的信息量单位都是bit，也就是比特。
m 指的是可能的数量（几种可能性）， I就是信息量。 另一个公式 P指的是事件的概率
信息熵信息的不确定性可以用熵来表示，即信息熵是信息杂乱程度的描述。
越不确定，信息熵越大，越确定，信息熵越小
计算信息熵的公式也有两个 其中pi概率，Logpi 是信息量。
另外一个公式是： 信息熵的计算公式为：所有的事件发生的概率 * 事件的信息量的总和 2个球队比赛的信息熵 32个球队比赛的信息熵
小结 什么是信息增益？？ 我们计算信息增益的大致过程如下:上图中已经透露出，某个固定值与信息熵的差值便是这个位置的信息增益。
但是这个固定值是怎么计算出来的呢？
原来这个固定值指的是不参考任何特征，直接根据结果计算信息熵（整体的信息熵）。在下边有一个决策树的实例中会体现出计算的过程，大家可以留意下。
再用这个固定值值 - 某一特征信息熵便得到了信息增益。 信息增益越大，数据越纯粹，这个判断，特征的位置越靠前。
先让我们来看这样几篇报道，对于决策树有一个大概的认知。 决策树是最经典的机器学习模型之一。它的预测结果容易理解， 易于向业务部门解释。预测速度快，可以处理类别型数据和连续型数据。在机器学习的数据挖掘类求职面试中，决策树是面试官最喜欢的面试题之一。
之前我们在初次介绍KMeans聚类算法的时候，在最后利用该算法对鸢尾花数据集进行了聚类分析。看了本篇博客，学习了决策树分类算法，那我们也重拾起曾经的数据集，用Java来体验一波“决策树”的快感。
需要注意的是，我们本次读取的数据集iris_tree.csv如下所示，想要数据集的朋友可以私信获取。
具体代码:
import org.apache.spark.ml.{Pipeline, PipelineModel} import org.apache.spark.ml.classification.{DecisionTreeClassificationModel, DecisionTreeClassifier} import org.apache.spark.ml.evaluation.MulticlassClassificationEvaluator import org.apache.spark.ml.feature.{StringIndexer, StringIndexerModel, VectorAssembler} import org.apache.spark.sql.types.DoubleType import org.apache.spark.sql.{DataFrame, Dataset, Row, SparkSession} /* * @Author: Alice菌 * @Date: 2020/7/2 15:03 * @Description: 用决策树对鸢尾花数据进行分类 */ object IrisTree { def main(args: Array[String]): Unit = { // 监督学习如何实现 // 训练集，测试集如何使用 // 成功率（准确率） // 1、初始化SparkSession val spark: SparkSession = SparkSession.builder().appName("IrisTree").master("local[*]").getOrCreate() // 设置日志级别 spark.sparkContext.setLogLevel("WARN") // 导入隐式转换 import spark.implicits._ // 2、读取数据 val dataSource: DataFrame = spark.read .csv("file:///E:\\iris_tree.csv") .toDF("Sepal_Length", "Sepal_Width", "Petal_Length", "Petal_Width", "Species") .select('Sepal_Length cast DoubleType, //字符串类型无法直接计算，需要将其传为doubleType 'Sepal_Width cast DoubleType, 'Petal_Length cast DoubleType, 'Petal_Width cast DoubleType, 'Species ) //展示一些数据 dataSource.show() //+------------+-----------+------------+-----------+-----------+ //|Sepal_Length|Sepal_Width|Petal_Length|Petal_Width| Species| //+------------+-----------+------------+-----------+-----------+ //| 5.1| 3.5| 1.4| 0.2|Iris-setosa| //| 4.9| 3.0| 1.4| 0.2|Iris-setosa| //| 4.7| 3.2| 1.3| 0.2|Iris-setosa| //| 4.6| 3.1| 1.5| 0.2|Iris-setosa| //| 5.0| 3.6| 1.4| 0.2|Iris-setosa| //| 5.4| 3.9| 1.7| 0.4|Iris-setosa| //| 4.6| 3.4| 1.4| 0.3|Iris-setosa| // 3、标签处理（数据不能直接使用，需要将最终的标签处理成数字。） val SpeciesToLabel: StringIndexerModel = new StringIndexer() .setInputCol("Species") .setOutputCol("label") .fit(dataSource) //4、将特征数据处理成向量 val features: VectorAssembler = new VectorAssembler() .setInputCols(Array("Sepal_Length", "Sepal_Width", "Petal_Length", "Petal_Width")) .setOutputCol("features") //5、初始化决策树，进行分类 val decisionTree: DecisionTreeClassifier = new DecisionTreeClassifier() //创建决策树对象 .setFeaturesCol("features") //设置特征列 .setPredictionCol("prediction") //设置预测后的列名 .setMaxDepth(4) //设置深度 //------查看---------- //6、构建一个 PipeLine 将 第3 4 5 步骤连起来 val pipeline: Pipeline = new Pipeline().setStages(Array(SpeciesToLabel,features,decisionTree)) //7、将原始数据拆分成训练集和测试集 //将数据切分成80%的训练集和20%的测试集 val Array(trainDatas,testDatas): Array[Dataset[Row]] = dataSource.randomSplit(Array(0.8,0.2)) //8、使用 PipLine 对训练集进行训练，使用测试集进行测试 //使用训练数据进行训练，得到一个模型 val model: PipelineModel = pipeline.fit(trainDatas) //使用测试集进行测试 val testDF: DataFrame = model.transform(testDatas) testDF.show() //+------------+-----------+------------+-----------+---------------+-----+-----------------+--------------+-------------+----------+ //|Sepal_Length|Sepal_Width|Petal_Length|Petal_Width| Species|label| features| rawPrediction| probability|prediction| //+------------+-----------+------------+-----------+---------------+-----+-----------------+--------------+-------------+----------+ //| 4.3| 3.0| 1.1| 0.1| Iris-setosa| 0.0|[4.3,3.0,1.1,0.1]|[38.0,0.0,0.0]|[1.0,0.0,0.0]| 0.0| //| 4.4| 3.2| 1.3| 0.2| Iris-setosa| 0.0|[4.4,3.2,1.3,0.2]|[38.0,0.0,0.0]|[1.0,0.0,0.0]| 0.0| //| 4.7| 3.2| 1.3| 0.2| Iris-setosa| 0.0|[4.7,3.2,1.3,0.2]|[38.0,0.0,0.0]|[1.0,0.0,0.0]| 0.0| //| 4.9| 3.0| 1.4| 0.2| Iris-setosa| 0.0|[4.9,3.0,1.4,0.2]|[38.0,0.0,0.0]|[1.0,0.0,0.0]| 0.0| //| 5.0| 2.0| 3.5| 1.0|Iris-versicolor| 1.0|[5.0,2.0,3.5,1.0]|[0.0,35.0,0.0]|[0.0,1.0,0.0]| 1.0| //| 5.0| 3.2| 1.2| 0.2| Iris-setosa| 0.0|[5.0,3.2,1.2,0.2]|[38.0,0.0,0.0]|[1.0,0.0,0.0]| 0.0| //| 5.1| 3.4| 1.5| 0.2| Iris-setosa| 0.0|[5.1,3.4,1.5,0.2]|[38.0,0.0,0.0]|[1.0,0.0,0.0]| 0.0| //9、查看分类的成功的百分比 val evaluator: MulticlassClassificationEvaluator = new MulticlassClassificationEvaluator() //多类别评估器 .setLabelCol("label") //设置原始数据中自带的label .setPredictionCol("prediction") //设置根据数据计算出来的结果“prediction” val Score: Double = evaluator.evaluate(testDF) //将测试的数据集DF中自带的结果与计算出来的结果进行对比得到最终分数 println(">>>>>>>>>>>>>>>>>>>>>>> "+Score) //>>>>>>>>>>>>>>>>>>>>>>> 0.9669208211143695 val decisionTreeClassificationModel: DecisionTreeClassificationModel = model.stages(2).asInstanceOf[DecisionTreeClassificationModel] // 输出决策树 println(decisionTreeClassificationModel.toDebugString) //DecisionTreeClassificationModel (uid=dtc_d936bd9c91b5) of depth 4 with 13 nodes // If (feature 2 <= 1.9) // Predict: 0.0 // Else (feature 2 > 1.9) // If (feature 2 <= 4.7) // If (feature 3 <= 1.6) // Predict: 1.0 // Else (feature 3 > 1.6) // Predict: 2.0 // Else (feature 2 > 4.7) // If (feature 2 <= 4.9) // If (feature 3 <= 1.5) // Predict: 1.0 // Else (feature 3 > 1.5) // Predict: 2.0 // Else (feature 2 > 4.9) // If (feature 3 <= 1.6) // Predict: 2.0 // Else (feature 3 > 1.6) // Predict: 2.0 } }本篇博客博主地简单为大家介绍了一下用户画像项目中的USG模型和机器学习中的决策树算法。后续会借助决策树，为大家带来如何在用户画像中开发用户购物性别的标签，敬请期待😎
如果以上过程中出现了任何的纰漏错误，烦请大佬们指正😅
受益的朋友或对大数据技术感兴趣的伙伴记得点赞关注支持一波🙏
希望我们都能在学习的道路上越走越远😉
大数据梦想家 认证博客专家 博客专家 大数据学者 追梦人 大数据学者，坚信技术成就自我。个人原创公众号「 大数据梦想家 」，每日更新大数据干货，欢迎上车!一天的生活就是一生的缩影。在最美的年华，做最好的自己！！！