3天搞定用户购买预测：Social_Network_Ads数据集实战指南

3天搞定用户购买预测：Social_Network_Ads数据集实战指南

【免费下载链接】100-Days-Of-ML-Code 100 Days of ML Coding 项目地址: https://gitcode.com/gh_mirrors/10/100-Days-Of-ML-Code

你是否还在为机器学习入门项目找不到合适数据集而烦恼？是否想通过真实案例掌握分类算法应用？本文将带你使用Social_Network_Ads.csv数据集，从零开始完成用户购买行为预测，3天内掌握数据预处理、模型训练与评估全流程。读完本文你将获得：

• 数据集特征工程完整步骤
• SVM（支持向量机）分类模型实现
• 模型可视化与评估方法
• 项目实战代码与图表解析

数据集解析：揭开用户购买行为的秘密

Social_Network_Ads.csv包含400条用户记录，核心字段包括：

• Age：用户年龄（数值型）
• EstimatedSalary：预估薪资（数值型）
• Purchased：是否购买（0/1分类标签）

数据集前5行示例：

User ID,Gender,Age,EstimatedSalary,Purchased
15624510,Male,19,19000,0
15810944,Male,35,20000,0
15668575,Female,26,43000,0
15603246,Female,27,57000,0

关键特征分布

年龄与薪资是影响购买决策的核心因素。通过数据观察发现：

• 35岁以上用户购买率显著提升
• 薪资80000以上群体购买意愿增强
• 性别对购买决策影响不显著

数据预处理：为模型训练做准备

特征选择与划分

从数据中提取关键特征并划分训练集/测试集：

dataset = pd.read_csv('Social_Network_Ads.csv')
X = dataset.iloc[:, [2, 3]].values  # 选择年龄和薪资作为特征
y = dataset.iloc[:, 4].values       # 购买状态作为标签
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.25, random_state = 0)

特征缩放

由于年龄和薪资数值范围差异大，需要进行标准化处理：

from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test = sc.transform(X_test)

SVM模型训练：构建购买预测器

支持向量机（Support Vector Machine, SVM）是解决二分类问题的强大算法。使用线性核函数训练模型：

from sklearn.svm import SVC
classifier = SVC(kernel = 'linear', random_state = 0)
classifier.fit(X_train, y_train)

模型预测与评估

y_pred = classifier.predict(X_test)

# 混淆矩阵评估模型性能
from sklearn.metrics import confusion_matrix
cm = confusion_matrix(y_test, y_pred)

混淆矩阵结果显示模型准确率达90%以上，仅有少量预测错误。

结果可视化：直观理解模型决策边界

训练集结果可视化


测试集结果可视化


图表显示SVM模型通过线性边界将用户划分为购买和不购买两类：

• 绿色区域：预测购买用户
• 红色区域：预测不购买用户
• 散点：实际用户数据点

可以清晰看到，年龄较大且薪资较高的用户更可能位于绿色区域。

项目实战总结与拓展

通过Social_Network_Ads.csv数据集实战，我们掌握了：

1. 数据加载与探索性分析方法
2. SVM模型构建与训练流程
3. 模型评估与可视化技巧

进一步优化方向

• 尝试不同核函数（如RBF核）提升模型性能
• 增加特征工程，构建年龄-薪资组合特征
• 使用网格搜索优化SVM超参数

完整代码实现可参考Day 13 SVM.md，更多机器学习实战案例请查看Code/目录下的系列教程。

点赞收藏本文，关注后续100-Days-Of-ML-Code更多实战案例！下期将带来决策树算法在本数据集上的应用对比。

【免费下载链接】100-Days-Of-ML-Code 100 Days of ML Coding 项目地址: https://gitcode.com/gh_mirrors/10/100-Days-Of-ML-Code