|
用户将业务数据进行预处理，利用机器学习算法处理分类、聚类、预测、推 荐等应用场景的业务。 要求用户需要具备以下能力: (1) 具备基础的数据加工能力，能大致理解自主结构化数据的能力，根据自己的业务场景将数据量化。 (2) 具备基础机器学习算法能力，知道算法与业务场景的适应关系，可以根据我们提供的在线演示与算法教程来学习。
1、类别预测类别预测指的是根据对象已知的类别及特征进行建模训练，再使用模型对其它未知的对象进行类别划分预测。例如：根据客户本身属性和行为特征等（年龄、性别、工作类型、婚姻状况、文化程度、个人贷款、收入情况）建模，预测客户是否愿意办理相关业务。 平台可推荐的算法：逻辑回归、随机森林、决策树、朴素贝叶斯、支持向量机。 使用场景：疾病预测、用电违约预测、种类划分、换机预测、银行理财产品预定预测、信用预测。 平台内置场景案例：城市功能区识别、动物种类分类、居民用电预测、糖尿病预测、信用贷款预测。 平台内置场景案例（居民用电违约预测）的背景介绍：供电企业主要经营收入来源于电力客户缴纳的电费，良好的电费回收机制是维持电力企业生产和发展的重要保障。客户偷漏电费是困扰供电企业经营的重要问题。因此，该案例基于用电行为及电量趋势下降指标、线损指标、告警类指标数据，预测该用户是否存在有偷电漏电的情况。 平台内置场景案例（糖尿病预测）的背景介绍：根据皮马族印第安人后代的女性患者的医疗记录（葡萄糖和胰岛素水平等医疗数据），以及年龄等因素，预测观察对象是否有糖尿病。 平台内置场景案例（信用贷款预测）的背景介绍：在各种贷款或者金融相关的征信领域中，根据用户的性别、教育、婚姻、年龄等属性，以及用户的信用卡消费记录和账单记录，预测得到了每个用户的最终信用评分，最后根据用户的最终信用评分决定是否贷款。
2、走势预测走势预测指的是根据某事件以往的历史数据记录（营销数据、交易数据、市场供需等），对未来该事件的目标走势（如价格等指标）进行预测，从而指导相关单位提前做出应对方案（规划资源调度或者价格调整等）。例如：根据某个区域以往的电力或供水系统的负荷消耗能源的情况，对未来一段时间某个区域的电力或供水系统的负荷消耗能源总量做预测。以此指导相关单位提前规划产能投入和相关基础设施建设，从而降低企业运营成本提高客户满意度。 平台可推荐的算法：线性回归。 使用场景：天气预测、房价预测、股票预测。 平台内置场景案例：波士顿房价预测。 平台内置场景案例（波士顿房价预测）的背景介绍：根据以往的销售情况（包含日期及销售价格）以及给定的房屋基本信息以及房屋销售信息等情况对未来房屋价格情况进行预测。
3、特征分群“物以类聚，人以群分”即充分解释了特征分群，它是指将具有相似特征的群体或者对象聚合在一起成为一个类，在该类中的对象都是彼此相似的。因此，可根据不同群体的特征利用数据挖掘给客户、地区、品种等进行特征分群，然后依据不同分群的特点制定相应的策略。例如：对客户进行科学的分群，可为客户提供适配的产品、制定针对性的营销活动和管理用户，最终提升产品的客户满意度，实现商业价值。 平台可推荐的算法：KMeans、DBSCAN、混合高斯模型。 平台内置场景案例：深圳企业信息聚类、葡萄酒种类识别。 平台内置场景案例（深圳企业信息聚类）的背景介绍：根据企业的盈利以及亏损情况，自动识别出经营状况相似的企业。 平台内置场景案例（葡萄酒种类识别）的背景介绍：根据不同品种的葡萄酒化学成分及化学成分含量不同，而同品种葡萄酒具有相似的化学成分及化学成分含量，达到自动识别出同品种的葡萄酒。
4、预测性维护在实际生产过程中，机械设备会产生设备日志数据、以及会进行定期（或连续）的状态监测和故障诊断，通过分析机械设备的以往的运行数据、状态监测数据和故障诊断数据，建立设备故障模型，从而可以预测设备发生故障的时间或者设备未来的状态，以此协助企业提供预见性维护建议和计划，更好的运维和管理设备，减少故障时间和发生几率，节约运维成本，甚至开启新的业务模式。 平台可推荐的算法：逻辑回归、随机森林、决策树、朴素贝叶斯、支持向量机。 使用场景：垃圾邮件识别、机器故障检测、信用卡诈骗、癌症检测 平台内置场景案例：无传感器驱动检查。 内置场景案例（无传感器驱动检查）的背景介绍：在所有类型的设备故障诊断方法中，振动信号分析是最主要和有用的工具之一。该案例根据从电流驱动信号中提取的特征数据，对无传感器的驱动进行故障检测。
| 
