- 博客(14)
- 收藏
- 关注
RSS订阅原创 会员数据化运营（二）
该案例为预测案例，因此没有分析型数据结论注意点：本案例中的特征选择的数量是影响分类结果评估与否的关键因素之一，一般来说，特征数量越多通常意味着分类准确率越高。Pipeline应用的目的不在于提升代码本身的性能等方面，而在于对复杂对象的统一管理上。
2023-08-14 19:06:03
191
原创 商品数据运营化（二）
在该案例中，76%的准确值是一个中等结果。由于我们没有优化参数，所以准确度不是特别高。需要注意的是：字符串转整数型分类，应用的前提是训练集中被转换的唯一值域必须是固定的。还需注意预测的新数据集中是否存在NA值。
2023-08-03 15:07:05
140
原创 商品数据化运营
◆从交叉检验得到的最佳模型的得分是0.956，该得分越高意味着自变量对因变量的解释能力越强，最高得分为1.交叉检验得分为0.956已经充分说明了回归模型的预测能力比较强，且基于CART算法本身的模型相对稳定。自变量：◆当不同自变量间存在量纲差异时，需要先对每一列做标准化。（基于CART的集成模型，自变量的量纲对模型没有影响，可以不做标准化。◆对于非常高相关性的变量，需要进行处理。（案例使用的是集成方法，具体参数通过交叉检验得到的是使用huber损失函数做回归评估，它已经能进度共线性的问题。
2023-08-02 19:13:36
577
原创 异常检验分析案例
direct的渠道异常流量占比也低于平均值，而sharesale和linkshare等流量相对不大的渠道，异常流量占比却高于平均值，因此，这部分渠道应该是业务部门需要重点关注的部分。业务部门从BigQuery取出的Google Analytics原始数据中为转换的点击数据，找到数据部门，希望数据部门分析一下里面是否有异常流量，这样业务部门可以做针对性的后续问题定位以及媒体沟通。特点是这些数据的特征与大多数数据不一致，呈现出“异常”的特点，检测这些数据的方法称为异常检测。检测结果为-1和1，-1为异常值。
2023-08-01 11:31:23
287
1
原创 关联分析案例
转换为关联所用的记录模式。由于导入的是事务性的数据记录，这里转换为关联算法所需的记录，记录的格式为每个订单ID对应的商品合并为一条记录。minS = 0.01 #定义最小支持度阈值minC = 0.05 #定义最小置信度阈值L, suppData = apriori.apriori(order_records, minSupport=minS) #计算得到满足最小支持度的规则。
2023-07-31 09:51:57
411
1
原创 分类分析案例
前N条规则对应的用户数据模块中，根据图中规则手动写出表达式，然后通过两次列表推导式配合pd.concat建立完整数据框，该数据框用来标记不同层的规则对应到x_test用户是否符合的情况。聚类算法的结果是将不同的数据集按照各自的典型特征分成不同类别，不同人对聚类的结果解读不同；分类的结果是一个固定值，不存在不同解读的情况。聚类不要求源数据集有预先定义的标签，单分类需要标签作为监督学习的“标准”或“参照”用来训练模型。假如原数据集带有类别标签，那么选择分类或聚类算法都可以，不带有类别标签，只能选择聚类算法。
2023-07-30 09:30:00
541
2
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人