Steg i ML-modellering
Maskininlärning för marknadsföring i Python
Karolis Urbonas
Head of Analytics & Science, Amazon
Steg i övervakad inlärning
- Dela upp data i träning och test
- Initiera modellen
- Träna modellen på träningsdata
- Förutsäg värden på testdata
- Mät modellens prestanda på testdata
Övervakad inlärning med kod
Börja med att läsa in biblioteken.
from sklearn import tree
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
Steg i övervakad inlärning med kod
# 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)
Steg i oövervakad inlärning
- Initiera modellen
- Träna modellen
- Tilldela klustervärden
- Utforska resultaten
Oövervakad inlärning med kod
Börja med att läsa in biblioteken.
from sklearn.cluster import KMeans
import pandas as pd
Oövervakad inlärning med kod
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()
Nu bygger vi modeller!
Maskininlärning för marknadsföring i Python
