需要源码和数据集请点赞关注收藏后评论区留言私信~~~
一个预测未来消费行为的示例，即已经采集了过去消费行为的信息，并用来建立一个模型以对未来的消费行为进行预测。该示例简要演示了数据预处理、提取特征、选择模型、训练模型、评估模型、应用等阶段，供读者初步了解机器学习的应用流程。
过去的消费行为信息包括消费者进店的年月日，性别（1男 0女）和是否消费（1消费 0没消费）共五项 部分数据如下
1：切分训练集和测试集
代码如下
# 将训练数据切分为训练集和验证集 train_set = [] # 训练集 train_labels = [] # 训练集的标签 valid_set = [] # 验证集 valid_labels = [] # 验证集的标签 for i in range(len(train_data)): if i < 20: # 将训练数据的前20条作为训练集，后10条作为验证集 train_set.append( train_data[i][:4]) train_labels.append(train_data[i][4]) else: valid_set.append( train_data[i][:4]) valid_labels.append(train_data[i][4])
2：直接用原始数据训练模型
不提取特征，直接用原始数据来训练模型 代码如下
from sklearn import tree # 导入决策树库 clf = tree.DecisionTreeClassifier() # 创建一个分类决策树对象 clf = clf.fit(train_set, train_labels) # 训练模型 print(valid_labels) print(clf.predict(valid_set)) # 用训练好的模型来预测验证集，验证误差率为0.5
输出结果如下，可见有五个预测错误 验证误差率位0.5，基本属于瞎猜，没有实际效果
按一般的常识，消费者可能在周末的消费意愿要高一点，因此可以提取出是否周末的特征来训练模型
3：提取周末特征训练模型
定义一个判断是否为周末的函数
import datetime # 导入datetime模块，该模块用来处理与日期和时间有关的计算 # 定义一个判断是否为周末的函数 def isweekend( date ): theday = datetime.date( date[0], date[1], date[2] ) # 创建一个date对象 if theday.isoweekday() in { 6, 7 }: # 如果date是周末则返回1，否则返回0 return 1 else: return 0 isweekend([2020, 11, 15])
预测结果如下
可见误差率在0.2左右，比之前用原始数据的准确率提高不少
由上面可知，如果提取了是否为周末的特征，那么预测成功率将会大大提高，实际上，对训练数据的统计显示，男性每进一次店由消费行为的概率为0.75，不分周末还是平时，而女性在周末进店有消费行为的概率为0.66，非周末进店有消费行为的概率为0.34，因此如果不提起是否为周末的特征，模型无法充分利用日期信息进行学习。
创作不易 觉得有帮助请点赞关注收藏~~~
