【机器学习】用户手机使用行为分析

一、任务说明

项目背景：本题收集了用户手机使用行为的数据，其中包含600个用户样本。每条记录包括应用程序使用时间、屏幕打开时间、电池电量和数据消耗等指标；每条记录还被归类为五种用户行为类别（User Behavior Class）之一，从轻度到极端使用。

项目环境：百度ai studio

数据集：user_behavior_dataset-无标签.xlsx

1.训练集training_set中共有600个样本，每个样本有8个特征，1个标签（User Behavior Class），标签（User Behavior Class）值越大，表明该用户的使用频次越高。用户特征以及标签的详细介绍如表1-1所示：

表1-1

用户特征/标签	说明
Device Model	设备型号
Operating System	操作系统
App Usage Time (min/day)	应用程序日使用时间（分钟/天）
Screen On Time (hours/day)	日亮屏时间（小时/天）
Battery Drain (mAh/day)	日用电量（毫安/天）
Data Usage (MB/day)	日数据量（兆/天）
Age	年龄
Gender	性别
User Behavior Class	用户行为类别

2、测试集testing_test中共有100个样本，每个样本有8个特征。

任务说明：设计分类预测模型，利用训练集训练预测模型，并在测试集上预测各用户的User Behavior Class。

二、数据探索性分析

对实验数据进行了数据探索性分析（EDA），主要目的是了解数据的分布特性、样本的基本统计信息以及特征间的关系。以下是对本实验数据集的详细分析：

1. 样本分布特性

这里主要研究了用户行为类别分布： 数据集中包含五种用户行为类别，从轻度使用（类别 1）到极端使用（类别 5）。类别的分布较为均衡，但略有差异，采用柱状图查看其分布情况：

import pandas as pd

# 加载数据集
file_path = 'user_behavior_dataset-无标签.xlsx'
data = pd.ExcelFile(file_path)

# 查看数据集结构
data.sheet_names

先导入数据集

# 加载训练集和测试集
training_set = pd.read_excel(file_path, sheet_name='training_set')
testing_set = pd.read_excel(file_path, sheet_name='testing_set')

# 查看训练集和数据集
training_set, testing_set

加载训练集和测试集 

 

import seaborn as sns
import matplotlib.pyplot as plt

sns.countplot(x='User Behavior Class', data=training_set)
plt.title('Distribution of User Behavior Classes')
plt.xlabel('User Behavior Class')
plt.ylabel('Count')
plt.show()

采用柱状图查看其分布（注：若提示环境中没有相关库，需要先用pip命令安装）

可以看出几种类别分布较为均衡，这种分布为模型训练提供了较好的数据平衡性，有助于分类模型的泛化能力。

2. 数值特征的统计信息

numerical_features = [
    'App Usage Time (min/day)', 
    'Screen On Time (hours/day)', 
    'Battery Drain (mAh/day)', 
    'Data Usage (MB/day)'
]
print(training_set[numerical_features].describe())

对关键数值特征（如应用程序使用时间、屏幕亮屏时间、电池消耗、数据流量等）进行了统计分析，查看它们的平均值、最大值、最小值等：

通过结果可以看出数值特征的大致分布范围，为后续数据处理、选择模型提供了支撑。

3. 类别型特征的分布

设备型号（Device Model）： 数据集中包含多个设备型号，前五大最常见的设备型号占据了总样本的 60%左右，其余设备型号分布较为分散，统计起来较为困难，这里不作更深入的分析。

# 操作系统分布
training_set['Operating System'].value_counts().plot.pie(
    autopct='%1.1f%%', startangle=90, figsize=(6, 6), labels=['Android', 'iOS']
)
plt.title('Operating System Distribution')
plt.show()

 

结果表明，Android 用户占 80%，iOS 用户占 20%。表明数据集中 Android 用户占据主导地位，但仍有一定比例的 iOS 用户，适合跨平台分析。  

4. 特征间的相关性分析

计算数值特征之间的相关系数，并绘制相关系数矩阵：

correlation_matrix = training_set[numerical_features].corr()
sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm')
plt.title('Feature Correlation Matrix')
plt.show()

可以发现以下关键关系：

（1）应用程序日使用时间与屏幕亮屏时间的相关性较高（相关系数 0.85），说明这两个特征可能对用户行为类别有类似的贡献。

（2）数据流量消耗与电池消耗之间存在一定正相关性（相关系数 0.65），表明高数据使用量往往伴随着高电池消耗。

5. 异常值与缺失值检测

（1）首先查看缺失值：

# 检查有无缺失值
missing_values_train = training_set.isnull().sum()
missing_values_test = testing_set.isnull().sum()
missing_values_train, missing_values_test

除了需要经过预测得到的User Behavior Class列，不存在其他的缺失值，无需进行缺失值处理。

 （2）再采用箱线图对数据中的异常值进行检测：

for feature in numerical_features:
    sns.boxplot(x=training_set[feature])
    plt.title(f'{feature} Distribution')
    plt.show()

通过箱线图可以看出相关数据的分布区间、中位数等。某些用户的屏幕亮屏时间达到 10 小时以上，属于极端情况，个别用户的应用程序使用时间低于 1 小时，但考虑到实际使用场景，这可能是因为其使用模式特殊，所以这些数据也被保留，视为有效样本。

至此完成了所有的数据探索性分析，对数据集的特性有了清晰的认识，这为后续的特征处理和模型构建提供了重要的依据。

三、模型预测与结果分析

1.数据预处理

# 数据处理
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelEncoder, StandardScaler

# 类别型特征编码
label_encoders = {}
categorical_features = ['Device Model', 'Operating System', 'Gender']

for feature in categorical_features:
    le = LabelEncoder()
    training_set[feature] = le.fit_transform(training_set[feature])
    testing_set[feature] = le.transform(testing_set[feature])
    label_encoders[feature] = le

# 数值特征标准化
numerical_features = [
    'App Usage Time (min/day)', 
    'Screen On Time (hours/day)', 
    'Battery Drain (mAh/day)', 
    'Data Usage (MB/day)', 
    'Age', 
    'Number of Apps Installed'
]

scaler = StandardScaler()
training_set[numerical_features] = scaler.fit_transform(training_set[numerical_features])
testing_set[numerical_features] = scaler.transform(testing_set[numerical_features])

# 删除与分析问题无关的列
X = training_set.drop(columns=['User ID', 'User Behavior Class'])
y = training_set['User Behavior Class']

# 划分训练集和测试集
X_train, X_val, y_train, y_val = train_test_split(X, y, test_size=0.2, random_state=42)

# 查看训练集和测试集及其缺失值
training_set.head(), testing_set.head()

（1）处理缺失值：检查是否存在缺失值并进行处理，这一步在数据探索分析时已经进行。

（2）特征编码：将类别型特征（如设备型号、操作系统、性别）转换为数值型，便于后续分析。

（3）特征标准化：对数值型特征进行缩放，以提高模型的性能。

（4）删除与问题研究无关的列。

（5）按照8：2的比例划分训练集和测试集

预处理后的数据集如下：

 

2.模型选择与训练

from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, classification_report, confusion_matrix

# 训练随机森林模型
rf_model = RandomForestClassifier(random_state=42, n_estimators=100)
rf_model.fit(X_train, y_train)

# 训练模型，评估模型性能
y_val_pred = rf_model.predict(X_val)
val_accuracy = accuracy_score(y_val, y_val_pred)
val_report = classification_report(y_val, y_val_pred)
val_confusion_matrix = confusion_matrix(y_val, y_val_pred)

在本实验中，使用了 100 棵决策树（n_estimators=100），设置随机种子（random_state=42）以确保结果可复现。

该实验处理的是一个多类别分类任务，并且存在以下特点：特征间关系复杂，实验数据中的数值型特征（如“应用程序使用时间”和“亮屏时间”）可能存在非线性关系；数据特征多样，本实验的数据包含类别型和数值型特征。

而随机森林擅长处理多类别分类任务，可以通过非线性决策边界捕获数值型特征间的非线性关系，对这类特征混合的数据集表现良好，所以选择随机森林模型来进行训练和测试。

3.模型评估

# 模型评估结果
print("Validation Accuracy: {:.2f}%".format(val_accuracy * 100))
print("\nClassification Report:\n")
print(val_report)
print(val_confusion_matrix)

通过准确率、精确率、召回率和 F1 分数、混淆矩阵来对模型进行评估

评估结果如下：

 模型预测的准确率为100%，在验证集上的表现非常好。每个类别的精确率、召回率和 F1 分数均为 1.00，说明不存在误分类、识别不出的情况，综合性能也较强。

4.预测并输出结果

# 对测试集进行预测
X_test = testing_set.drop(columns=['User ID', 'User Behavior Class'])
test_predictions = rf_model.predict(X_test)

# 还原testing_set
testing_set[numerical_features] = scaler.inverse_transform(testing_set[numerical_features])

for feature in categorical_features:
    le = label_encoders[feature]
    testing_set[feature] = le.inverse_transform(testing_set[feature])

# 将预测结果加入到testing_set
testing_set['User Behavior Class'] = test_predictions

# 保存并导出预测结果
output_file_path = 'result.csv'
testing_set.to_csv(output_file_path, index=False)

使用训练好的模型对testing_set进行预测，并将其格式还原后，输出预测结果。

5.查看预测结果

# 查看预测结果
prediction = pd.read_csv('result.csv')
prediction

预测结果如下：