请选择 进入手机版 | 继续访问电脑版
楼主: 浮世若离丶
9665 115

[原创博文] 让Python猜猜你能否约会成功   [推广有奖]

  • 4关注
  • 69粉丝

教授

64%

还不是VIP/贵宾

-

威望
1
论坛币
25044 个
通用积分
98.3144
学术水平
71 点
热心指数
100 点
信用等级
50 点
经验
20419 点
帖子
666
精华
1
在线时间
1301 小时
注册时间
2015-8-6
最后登录
2023-7-5

相似文件 换一批

+2 论坛币
k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群
赵安豆老师微信:zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

感谢您参与论坛问题回答

经管之家送您两个论坛币!

+2 论坛币
我是一个婚恋网站的数据分析师,新入职的第二天,接到老板的任务,让我预测来婚恋网站新注册的男生&女生是否会约会成功。

如何预测一个新来的男生是否会约会成功呢?这很简单,只需要调出一下数据库中之前注册网站的会员信息及跟踪情况,看看和这个新来的男生条件最接近的男生是否约会成功了,那么就可以大致预估新来的男生是否会约会成功。中国有句老话叫做“近朱者赤,近墨者黑”,正是这个道理。比如下图,假设我们将男生的条件划分为三个维度,颜值、背景和收入。蓝色点代表约会成功,灰色点代表未约会成功。红色点代表新来的男生,他和两个蓝色点,一个灰色点最接近,因此点约会成功的可能性是2/3。
6.png


KNN算法简介
上述思路所用到的数据挖掘算法为KNN算法, KNN(K Nearest Nighbor),K最邻域法属于惰性算法,其特点是不事先建立全局的判别公式和规则。当新数据需要分类的时候,根据每个样本和原有样本的距离,取最近K个样本点的众数(Y为分类变量)或者均值(Y为连续变量)作为新样本的预测值。实做KNN只需要考虑以下三件事情:
1. 数据的前处理
数据的属性有Scale的问题,比如收入和年龄的量纲单位不同,则不能简单的加总来计算距离,需要进行极值的正规化,将输入变量维度的数据都转换到【0,1】之间,这样才能进行距离的计算。计算公式如下:
7.png


2. 距离的计算
一般使用欧几里得距离,勾股定理大家都学过,计算两点之间的距离,不多说。
8.png


3. 预测结果的推估
预测过程中我们会同时输出预测的概率值,同时我们需要去了解几个指标的含义。
回应率(precision):
捕捉率(recall):
F指标(f1-score):F指标 同时考虑Precision & Recall

使用Python进行实做
此部分的思路如下:
1. 读入数据集
2. 描述性分析与探索性分析
3. KNN模型建立
4. 模型的效果评估
数据集描述:此数据集为取自某婚恋网站往期用户信息库,含100个观测,8个变量。

# 加载所需包
%matplotlib inline
import os
import numpy as np
from scipy import stats
import pandas as pd
import sklearn.model_selection as cross_validation  
import matplotlib.pyplot as plt
import seaborn as sns
import math
from scipy import stats,integrate
import statsmodels.api as sm

# 加载数据并查看前5行
orgData = pd.read_csv('date_data2.csv')
orgData.head()
2.png


我从数据库中挑选了收入、魅力值、资产、教育等级变量,并对收入、魅力值和资产进行了分类排序。

# 查看数据集的信息
orgData.info()
3.png


从上述信息可以看出数据集总共有100个观测,8个变量。其中浮点型2个,整型6个。还可以看出这个数据集占用了我电脑7k的内存。

# 对数值型变量做描述性统计分析
orgData.describe()
9.png


Python的语法就是这么简洁到令人发指。从上述信息我们可以观察到各变量的计数、最大值、最小值、平均值等信息。以income为例,平均值为9010元,中位数为7500元。我们猜想是收入被平均了,如何更直观的看到呢?很简单,我们画个直方图。

# 数据可视化探索
# 查看收入分布情况 直方图
sns.distplot(orgData['income'],fit=stats.norm);
4.png



果然,我们的收入被平均了。其他的数值型变量也可以照同样方法画画看。同时,我们想看看类别型的字段和目标变量的关系。

# 查看教育等级和是否约会成功关系 条形图
sns.barplot(x='educlass',y='Dated',data=orgData);
5.png


果然,教育等级越高的人约会成功的概率越高。这么多分类变量,我如何在一张图中呈现呢?很简单,设定面板数,这里我们分类的计数图。

# 查看各分类变量和目标变量关系
fig, (axis1,axis2,axis3,axis4) = plt.subplots(1,4,figsize=(15,5))
sns.countplot(x='Dated', hue="educlass", data=orgData, order=[1,0], ax=axis1)
sns.countplot(x='Dated', hue="income_rank", data=orgData, order=[1,0], ax=axis2)
sns.countplot(x='Dated', hue="attractive_rank", data=orgData, order=[1,0], ax=axis3)
sns.countplot(x='Dated', hue="assets_rank", data=orgData, order=[1,0], ax=axis4)
10.png


可以看出,教育等级,收入,魅力值,资产都和是否约会成功有密切关系。

说了这么多,下面我们开始用KNN建模,让机器告诉我们结果吧。
# 选取自变量和因变量
X = orgData.ix[:, :4]
Y = orgData[['Dated']]
X.head()
11.png


# 进行极值的标准化
from sklearn import preprocessing
min_max_scaler = preprocessing.MinMaxScaler()
X_scaled = min_max_scaler.fit_transform(X)
X_scaled[1:5]
12.png

此部分返回了自变量进行标准化之后的2~5行值。

#划分训练集和测试集
train_data, test_data, train_target, test_target = cross_validation.train_test_split(
X_scaled, Y, test_size=0.2, train_size=0.8, random_state=123)  
划分训练集和测试集,训练集用来训练模型,测试集用来测试模型,训练集样本和测试集样本量比例为8:2.同时设定随机种子数。

# 建模
from sklearn.neighbors import KNeighborsClassifier
model = KNeighborsClassifier(n_neighbors=3)  # 默认欧氏距离
model.fit(train_data, train_target.values.flatten())
test_est = model.predict(test_data)
我们首先从导入了KNN分类器,k值设置为3,然后用模型去训练训练集,并且用测试数据集来测试模型结果,输出到test_est对象中。

# 模型评估
import sklearn.metrics as metrics
print(metrics.confusion_matrix(test_target, test_est, labels=[0, 1]))  # 混淆矩阵
print(metrics.classification_report(test_target, test_est))
13.png

可以看出,模型的命中率和回应率均值都达到了90%。F指标为0.9

好了,模型的结果还勉强满意,美滋滋,做个报告去和老板交差了。

【后话】当然,这里面只是用了一个简单的数据集去实操了一下KNN的做法,操作和语法都比较简单易用理解,同时遍历了一下我们数据挖掘的流程,相应的知识及后续的知识没有做过多的展开,比如前端的数据如何清洗,KNN中K值如何设定和交叉验证,使用朴素贝叶斯预测模型的准确率,特征选择,模型融合等。希望大家能有所收获。

~ From CDA学员

CDA LEVEL II-Python数据挖掘课程,12.23开课,本课程以案例为主线,结合开源Python工具,全面金融、电信、银行等行业的主要数据挖掘主题。而且注重业务与算法的深入结合,在轻松的氛围内体会算法的奇妙之处。

【课程信息】
北京&远程直播:12月23~1月14
授课安排:现场班5900元,远程班4400元
(1) 授课方式:面授直播两种形式,中文多媒体互动式授课方式
(2) 授课时间:上午9:00-12:00,下午13:30-16:30,16:30-17:00(答疑)
(3) 学习期限:现场与视频结合,长期学习加练习答疑。

【课程阶段】
第一阶段:[12.23] 数据挖掘与Python入门
第二阶段:[12.24] 数据挖掘模型与组合算法
第三阶段:[1.6] KNN与线性回归
第四阶段:[1.7] 逻辑回归与SVM
第五阶段:[1.13] 文本分析与社会网络分析
第六阶段:[1.14] 综合案例分析
第七阶段:[线上选修] 数据分析统计基础理论(一周)
第八阶段:[线上选修] Mysql数据库基础知识(一周)
第九阶段:[线上选修] Python数据可视化(一周)

【课程讲师】
王小川
CDA数据分析师讲师/同济大学管理学博士
现就职于国内某大型券商研究所,从事量化投资相关工作,并承担了部分高校统计课程教学任务。长期研究机器学习在统计学中的应用,精通MATLAB、Python、SAS等统计软件,热衷数据分析和数据挖掘工作,有着扎实的理论基础和丰富的实战经验。著有《MATLAB神经网络30个案例分析》一书。

赵仁乾
CDA数据分析研究院讲师/京邮电大学管理科学与工程硕士
现就职于北京电信规划设计院,从事移动、联通集团及各省分公司市场、业务、财务规划、经济评价及运营咨询。重点研究方向包括离网用户挖掘、市场细分与精准营销、移动网络价值区域分析、潜在价值客户挖掘等。

联系方式:
陈老师
Tel:18010006628
微信:18010006628
Mail:chenwenjing@pinggu.org

阅读原文链接:http://www.cda.cn/kecheng/33.html






二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

关键词:Python 建模分析

已有 2 人评分经验 论坛币 学术水平 收起 理由
yunnandlg + 20 精彩帖子
我的素质低 + 100 + 20 + 5 精彩帖子

总评分: 经验 + 120  论坛币 + 20  学术水平 + 5   查看全部评分

来自于CDA学员的分享,Python很好很强大。

使用道具

Still.. 企业认证  发表于 2017-9-21 11:41:40 |显示全部楼层 |坛友微信交流群

回帖奖励 +3

腻害了 我的哥~

使用道具

cda-孙晶 发表于 2017-9-21 11:45:17 |显示全部楼层 |坛友微信交流群

回帖奖励 +3

人生苦短,快学Python

使用道具

逍遥龙仔 发表于 2017-9-21 11:56:03 |显示全部楼层 |坛友微信交流群

回帖奖励 +3

掐指一算,楼上未婚

使用道具

回帖奖励 +3

我也在学PYTHON,真的很强大

使用道具

alvin2 发表于 2017-9-21 13:48:47 |显示全部楼层 |坛友微信交流群

回帖奖励 +3

我是来看怎么约会的

使用道具

HappyAndy_Lo 发表于 2017-9-21 13:56:37 |显示全部楼层 |坛友微信交流群

回帖奖励 +3

使用道具

宏华 发表于 2017-9-21 14:20:08 |显示全部楼层 |坛友微信交流群

回帖奖励 +3

使用道具

逍遥龙仔 发表于 2017-9-21 11:56
掐指一算,楼上未婚

使用道具

您需要登录后才可以回帖 登录 | 我要注册

本版微信群
加好友,备注cda
拉您进交流群

京ICP备16021002-2号 京B2-20170662号 京公网安备 11010802022788号 论坛法律顾问:王进律师 知识产权保护声明   免责及隐私声明

GMT+8, 2024-3-29 12:48