Müşteri işlemlerini tahmin etme

Python ile Pazarlama için Machine Learning

Karolis Urbonas

Head of Analytics & Science, Amazon

Modelleme yaklaşımı

Gelecek ayın işlem sayısını tahmin için doğrusal regresyon.
Lojistik regresyonla aynı modelleme adımları.

Modelleme adımları

Veriyi eğitime ve teste ayırın
Modeli başlatın
Modeli eğitim verisiyle eğitin
Test verisinde tahmin yapın
Test verisinde performansı ölçün

Regresyon performans metrikleri

Temel metrikler:

Kök ortalama kare hata (RMSE) - Tahmin ile gerçeğin kare farklarının ortalamasının karekökü
Ortalama mutlak hata (MAE) - Tahmin ile gerçeğin mutlak farklarının ortalaması
Ortalama mutlak yüzde hata (MAPE) - Tahmin ile gerçeğin yüzde farklarının ortalaması (gerçekler sıfır olamaz)

Ek regresyon ve gözetimli öğrenme metrikleri

R-kare - modelin açıkladığı varyans oranını gösteren istatistiksel ölçü. Yalnızca regresyona uygundur, sınıflamaya değil. Daha yüksek daha iyidir.
Katsayı p-değerleri - katsayının şans eseri gözlenme olasılığı. Daha düşük daha iyidir. Tipik eşikler %5 ve %10’dur.

Modeli eğitme

# Doğrusal regresyon modülünü içe aktarın
from sklearn.linear_model import LinearRegression

# Regresyon örneğini başlatın
linreg = LinearRegression()

# Modeli eğitim verisiyle eğitin
linreg.fit(train_X, train_Y)

# Eğitim ve test verisinde tahmin yapın
train_pred_Y = linreg.predict(train_X)
test_pred_Y = linreg.predict(test_X)

Model performansını ölçme

# Performans ölçüm fonksiyonlarını içe aktarın
from sklearn.metrics import mean_absolute_error
from sklearn.metrics import mean_squared_error

# Eğitim verisi için metrikleri hesaplayın
rmse_train = np.sqrt(mean_squared_error(train_Y, train_pred_Y))
mae_train = mean_absolute_error(train_Y, train_pred_Y)

# Test verisi için metrikleri hesaplayın
rmse_test = np.sqrt(mean_squared_error(test_Y, test_pred_Y))
mae_test = mean_absolute_error(test_Y, test_pred_Y)

# Performans metriklerini yazdırın
print('RMSE train: {:.3f}; RMSE test: {:.3f}\nMAE train: {:.3f}, MAE test: {:.3f}'.format(
                            rmse_train, rmse_test, mae_train, mae_test))

RMSE train: 0.717; RMSE test: 1.216
MAE train: 0.514, MAE test: 0.555

Katsayıları yorumlama

İstatistiksel anlamlılığı değerlendirmek gerekir
statsmodels kütüphanesine giriş
Ayrıntılı model özeti sunar

statsmodels ile regresyon modeli kurma

# Kütüphaneyi içe aktarın
import statsmodels.api as sm

# Hedef değişkeni `numpy` dizisine dönüştürün
train_Y = np.array(train_Y)

# Modeli başlatın ve eğitin
olsreg = sm.OLS(train_Y, train_X)
olsreg = olsreg.fit()

# Model özetini yazdırın
print(olsreg.summary())

Regresyon özet tablosu

OLS özeti

R-kareyi yorumlama

R-kare

Katsayı p-değerlerini yorumlama

Katsayı p-değerleri

Haydi bazı regresyon modelleri kuralım!

Python ile Pazarlama için Machine Learning