ग्राहक ट्रांजैक्शन की भविष्यवाणी

Python में मार्केटिंग के लिए मशीन लर्निंग

Karolis Urbonas

Head of Analytics & Science, Amazon

मॉडलिंग अप्रोच

अगले महीने के ट्रांजैक्शन की भविष्यवाणी के लिए Linear regression.
Logistic regression जैसे ही मॉडलिंग स्टेप्स.

मॉडलिंग स्टेप्स

डेटा को training और testing में split करें
मॉडल को initialize करें
training डेटा पर मॉडल fit करें
testing डेटा पर मान predict करें
testing डेटा पर मॉडल का प्रदर्शन measure करें

Regression performance metrics

मुख्य मेट्रिक्स:

Root mean squared error (RMSE) - prediction और actuals के बीच औसत squared अंतर का square root
Mean absolute error (MAE) - prediction और actuals के बीच औसत absolute अंतर
Mean absolute percentage error (MAPE) - prediction और actuals के बीच औसत प्रतिशत अंतर (actuals शून्य नहीं हो सकते)

अतिरिक्त regression और supervised learning मेट्रिक्स

R-squared - सांख्यिकीय माप जो मॉडल द्वारा समझाए गए variance के प्रतिशत हिस्से को दर्शाता है. केवल regression पर लागू, classification पर नहीं. ज़्यादा बेहतर.
Coefficient के p-values - यह संभावना कि regression (या classification) का coefficient संयोग से देखा गया. कम बेहतर. आम thresholds 5% और 10% हैं.

मॉडल फिट करना

# Import the linear regression module
from sklearn.linear_model import LinearRegression

# Initialize the regression instance
linreg = LinearRegression()

# Fit model on the training data
linreg.fit(train_X, train_Y)

# Predict values on both training and testing data
train_pred_Y = linreg.predict(train_X)
test_pred_Y = linreg.predict(test_X)

मॉडल का प्रदर्शन मापना

# Import performance measurement functions
from sklearn.metrics import mean_absolute_error
from sklearn.metrics import mean_squared_error

# Calculate metrics for training data
rmse_train = np.sqrt(mean_squared_error(train_Y, train_pred_Y))
mae_train = mean_absolute_error(train_Y, train_pred_Y)

# Calculate metrics for testing data
rmse_test = np.sqrt(mean_squared_error(test_Y, test_pred_Y))
mae_test = mean_absolute_error(test_Y, test_pred_Y)

# Print performance metrics
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

कोएफ़िशिएंट समझना

सांख्यिकीय महत्वता का आकलन चाहिए
statsmodels लाइब्रेरी का परिचय
विस्तृत मॉडल सारांश देता है

statsmodels से regression मॉडल बनाना

# Import the library
import statsmodels.api as sm

# Convert target variable to `numpy` array
train_Y = np.array(train_Y)

# Initialize and fit the model
olsreg = sm.OLS(train_Y, train_X)
olsreg = olsreg.fit()

# Print model summary
print(olsreg.summary())

Regression सारांश तालिका

OLS सारांश

R-squared की व्याख्या

R-squared

Coefficient p-values की व्याख्या

Coefficient p-values

चलें, कुछ regression मॉडल बनाते हैं!

Python में मार्केटिंग के लिए मशीन लर्निंग