【机器学习算法实战3】产品营销模型之建置及预测（CDA赛题）

一、案例介绍

这是CDA数据分析网站的一个赛题，A公司希望发掘用户购买产品的行为习惯，建立产品精准营销模型，对有意向的客户进行精准营销，增加收入，减少开支。将通过混淆矩阵（Confusion matrix）来评价分类模型的准确率，准确率越高，说明正确预测出响应营销效果越好。
本次实战以官方公布的评分标准accuracy为目标进行参数调优与建模。又探索了在不同成本收益模型下，选择不同的模型评估指标，最终得到最高的潜在盈利预测。
附赛题网址：https://contest.cda.cn/info/id/6.

重要事情说三遍~
想听我讲案例，请点这里，进入B站
想听我讲案例，请点这里，进入B站
想听我讲案例，请点这里，进入B站

二、框架

（一）赛题简介及数据预处理
（二）数据探索分析
（三）模型构建与评估
（四）预测与排名
（五）成本收益分析与模型重构

三、附部分代码及输出

（一）数据预处理（算法填充缺失值）

# 填充cates=['用户地区', '性别', '使用累计时间','产品服务使用量', '是否使用信用卡付月费','是否为活跃用户']x_cates=['产品使用分数', '年龄', '点数余额','估计薪资']dummies_f7=[ region_features,sex_features,usetime_features,service_features,credict_features,active_features,fill_data[x_cates] ]for i in range(6):print('填充有缺失值的特征：',cates[i])print('第一步：构造特征与标签--------------------')Y=y_data[cates[i]]  #SeriseY_train=Y[Y!='99'] #没有缺失值，用于建模Y_test=Y[Y=='99']  #缺失值，待预测   objs=[ region_features,sex_features,usetime_features,service_features,credict_features,active_features,fill_data[x_cates] ]df=pd.concat(objs,axis=1)    ob=list(dummies_f7[i].columns)X=df.drop(labels=ob,axis=1)X_train=X[Y!='99']X_test=X[Y=='99']print('第二步：建模与预测填充------------------------')times=time()xgb_fill=xgboost.XGBClassifier(max_depth=3,n_estimators=190)xgb_fill.fit(X_train,Y_train)Y_predict=xgb_fill.predict(X_test)print('运行时间：%s'% datetime.datetime.fromtimestamp(time()-times).strftime("%M:%S:%f"))#预测结果赋值到缺失值地方y_data[ cates[i] ][ y_data[ cates[i] ]=='99' ]=Y_predict#保存模型j=str(i)modelname=r'xgb_fill_'+j+'.model'model_file = open(modelname, 'wb')pickle.dump(xgb_fill, model_file)model_file.close()

（二）数据探索分析（特征筛选）

（三）模型构建与评估

（四）预测与排名

#构造特征空间data=pd.read_csv('./clean_df_test.csv',index_col='Unnamed: 0')model_load_file = open(r'ohe_keyf.model', 'rb')
ohe_keyf_r = pickle.load(model_load_file)
model_load_file.close()cates=['用户地区', '性别','产品服务使用量', '是否为活跃用户']
result=ohe_keyf_r.transform( data[cates] )
df_catefeature=pd.DataFrame(result.toarray(),columns=ohe_keyf_r.get_feature_names())cates=['产品使用分数', '年龄', '点数余额']
objs=[df_catefeature,data[cates]]
X=pd.concat(objs,axis=1)#导入预测模型
model_load_file = open(r'best_2_XGBClassifier.model', 'rb')
xgb_2_r = pickle.load(model_load_file)
model_load_file.close()#预测并保存Y_pre=xgb_2_r.predict(X)data['Predicted_Results']=Y_pre
results=data[['客户ID','Predicted_Results']]
results.to_csv('./results_xgb_2.csv',index=False)results.Predicted_Results.value_counts()

（五）产品收益分析与模型重构

【机器学习算法实战3】产品营销模型之建置及预测（CDA赛题）相关推荐

ML机器学习算法（一）: 基于逻辑回归的分类预测
机器学习算法(一): 基于逻辑回归的分类预测 1 逻辑回归的介绍和应用 1.1 逻辑回归的介绍逻辑回归(Logistic regression,简称LR)虽然其中带有"回归"两个 ...
机器学习算法（二）：基于决策树的分类预测
机器学习算法(二):基于决策树的分类预测决策树的介绍和应用简介决策树构建的伪代码特征划分选择信息增益信息增益率基尼系数应用场景优缺点基于企鹅数据集的决策树实战 Step1:函数库导 ...
机器学习算法（六）：基于决策树的分类预测
机器学习算法(六):基于决策树的分类预测 1 决策树的介绍和应用 1.1决策树的介绍 1.2 决策树的应用 2. 实验室手册 2.1 学习目标 2.2 代码流程 2.3 算法实战 2.3.1 Demo ...
【算法竞赛学习】二手车交易价格预测-Task1赛题理解
二手车交易价格预测-Task1 赛题理解一. 赛题理解 Tip:此部分为零基础入门数据挖掘的 Task1 赛题理解部分,为大家入门数据挖掘比赛提供一个基本的赛题入门讲解,欢迎后续大家多多交流. 赛 ...
【机器学习基础】数学推导+纯Python实现机器学习算法22：最大熵模型
Python机器学习算法实现 Author:louwill Machine Learning Lab 最大熵原理(Maximum Entropy Principle)是一种基于信息熵理论的一般原理,在 ...
机器学习算法（一）: 基于逻辑回归的分类预测-Task01
基于逻辑回归LR的分类预测 1.逻辑回归的介绍 Logistic Regression 虽然被称为回归,但其实际上是分类模型,并常用于二分类.Logistic Regression 因其简单.可并行化 ...
我用Python把抖音上的美女图片转字符画，期望的AI目标更进一步【机器学习算法实战小项目，k聚类算法图片转化字符画】
大家好,我是辣条. 最近在学习算法,今天给大家带来一个机器学习实战小项目项目效果展示学习目标 1.cv2转换图片数据 2.numpy提取图片矩阵数据 3.k均值算法获取图片的分类工具使用开 ...
《machine learning in action》机器学习算法学习笔记决策树模型
决策树模型重要任务:是为了理解数据中所蕴含的知识信息,因此决策树可以使用不熟悉的数据集合,并从中提取出一系列规则,这些机器根据数据集创建规则的过程就是机器学习的过程. 优点:计算复杂度不高,输出结果 ...
Python推荐系统学习笔记（1）基于协同过滤的个性化推荐算法实战---隐语义模型
一.相关概念: 1.隐语义模型(LFM) 通过矩阵分解建立用户和隐类之间的关系,物品和隐类之间的关系,最终得到用户对物品的偏好关系. 假设我们想要发现 F 个隐类, 我们的任务就是找到两个矩阵 U 和 ...

【机器学习算法实战3】产品营销模型之建置及预测（CDA赛题）

一、案例介绍

二、框架

三、附部分代码及输出

【机器学习算法实战3】产品营销模型之建置及预测（CDA赛题）相关推荐

最新文章

热门文章