Étapes de modélisation en 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
Mesurer la performance sur les données de test

Apprentissage supervisé avec code

D'abord, chargeons 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. Diviser les données en entraînement et test
train_X, test_X, train_Y, test_Y = train_test_split(X, Y, test_size=0.25)

# 2. Initialiser le modèle
mytree = tree.DecisionTreeClassifier()

# 3. Ajuster le modèle sur les données d'entraînement
treemodel = mytree.fit(train_X, train_Y)

# 4. Prédire sur les données de test
pred_Y = treemodel.predict(test_X)

# 5. Mesurer la performance sur les données de test
accuracy_score(test_Y, pred_Y)

Étapes de l'apprentissage non supervisé

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

Apprentissage non supervisé avec code

D'abord, chargeons les bibliothèques.

from sklearn.cluster import KMeans
import pandas as pd

Apprentissage non supervisé avec code

1. Initialiser le modèle
kmeans = KMeans(n_clusters=3)

# Ajuster le modèle 
kmeans.fit(data)

# 3. Attribuer les valeurs de groupe
data.assign(Cluster=kmeans.labels_)

# 4. Explorer les résultats
data.groupby('Cluster').mean()

Allons créer des modèles !

Machine Learning pour le marketing en Python