預測客戶交易

Python 的行銷機器學習

Karolis Urbonas

Head of Analytics & Science, Amazon

建模方法

使用線性迴歸預測下個月交易量。
與邏輯斯迴歸相同步驟建模。

建模步驟

將資料切分為訓練與測試
初始化模型
在訓練資料上擬合模型
在測試資料上預測
在測試資料上評估模型效能

迴歸效能指標

重點指標：

均方根誤差（RMSE）－預測與實際之平方差的平均後再開根號
平均絕對誤差（MAE）－預測與實際之絕對差的平均
平均絕對百分比誤差（MAPE）－預測與實際之百分比差的平均（實際值不可為 0）

其他迴歸與監督式學習指標

R-squared－模型解釋變異比例的統計量。僅適用於迴歸，不適用於分類。越高越好。
係數的 p-value－觀察到該迴歸（或分類）係數純屬巧合的機率。越低越好。 常見門檻為 5% 與 10%。

訓練模型

# 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)

評估模型效能

# 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

解讀係數

需要檢定統計顯著性
介紹 statsmodels 函式庫
提供詳細的模型摘要

用 statsmodels 建立迴歸模型

# 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())

迴歸摘要表

OLS 摘要

解讀 R-squared

R-squared

解讀係數 p-value

係數 p-value

一起來練習吧！

Python 的行銷機器學習