Étapes de modélisation ML

Machine Learning pour le marketing en Python

Karolis Urbonas

Head of Analytics & Science, Amazon

Étapes de l'apprentissage supervisé

Diviser les données en entraînement et test
Initialiser le modèle
Ajuster le modèle sur les données d'entraînement
Prédire sur les données de test
Évaluer les performances sur les données de test

Apprentissage supervisé avec code

Commençons par charger les bibliothèques.

from sklearn import tree
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

Étapes de l'apprentissage supervisé avec code

# 1. Split data to training and testing
train_X, test_X, train_Y, test_Y = train_test_split(X, Y, test_size=0.25)

# 2. Initialize the model
mytree = tree.DecisionTreeClassifier()

# 3. Fit the model on the training data
treemodel = mytree.fit(train_X, train_Y)

# 4. Predict values on the testing data
pred_Y = treemodel.predict(test_X)

# 5. Measure model performance on testing data
accuracy_score(test_Y, pred_Y)

Étapes de l'apprentissage non supervisé

Initialiser le modèle
Ajuster le modèle
Attribuer les clusters
Explorer les résultats

Apprentissage non supervisé avec code

Commençons par charger les bibliothèques.

from sklearn.cluster import KMeans
import pandas as pd

Apprentissage non supervisé avec code

1. Initialize the model
kmeans = KMeans(n_clusters=3)

# Fit the model 
kmeans.fit(data)

# 3. Asign cluster values
data.assign(Cluster=kmeans.labels_)

# 4. Explore results
data.groupby('Cluster').mean()

Construisons quelques modèles !

Machine Learning pour le marketing en Python