Etapas de modelagem em ML

Machine Learning para Marketing em Python

Karolis Urbonas

Head of Analytics & Science, Amazon

Etapas do aprendizado supervisionado

Dividir os dados em treino e teste
Inicializar o modelo
Ajustar o modelo nos dados de treino
Prever nos dados de teste
Medir o desempenho no teste

Aprendizado supervisionado com código

Primeiro, vamos carregar as bibliotecas.

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

Etapas do aprendizado supervisionado com código

# 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)

Etapas do aprendizado não supervisionado

Inicializar o modelo
Ajustar o modelo
Atribuir rótulos de cluster
Explorar os resultados

Aprendizado não supervisionado com código

Primeiro, vamos carregar as bibliotecas.

from sklearn.cluster import KMeans
import pandas as pd

Aprendizado não supervisionado com código

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()

Vamos construir alguns modelos!

Machine Learning para Marketing em Python