共计 1618 个字符，预计需要花费 5 分钟才能阅读完成。
全文链接：http://tecdat.cn/?p=32380
原文出处：拓端数据部落公众号
分析师：Zhuhua Huang
在多项用户数据中寻找与预测值相干的属性。查看各个特色的散布与特色之间的关联。剖析用户数据，查看特定人群的应用习惯进行产品优化。最初抉择适合的模型与参数来进行预测。
解决方案
工作 / 指标
依据爱彼迎的 2009-2014 年的用户数据，预测用户第一次预约的目的地城市。同时剖析用户的行为习惯。
数据源筹备 ：
数据源蕴含训练集用户数据与测试集用户数据，用户数据蕴含 id, 性别，年龄，创立账户工夫，第一次预约工夫，目的地城市（需预测值）等。
首先将训练集数据与测试集数据整合在一起。查看数据并荡涤数据，解决脏值 。 将年龄中的离群值（<18 或 >100）删除。
特色转换 ：
通过画图（柱状图，箱形图）直观展现每个特色的散布状况和该特色对于预测值的影响。
图表 1 性别散布
图表 2 性别与预测值的关系
图表 3 App 应用品种与指标城市的散布
通过剖析，将无意义的特征值删除，如用户 id，第一次激活工夫等。
将分类数据（性别，语言，应用的设施类型）进行独热编码。
并将工夫类型数据转化成年，月，日变量。寻找不同月份与账号创立的关联。
图表 4 2013 年每月账号创立统计
图表 5 2013 年每月目的地城市剖析
结构
以上阐明了如何抽取相干特色，咱们大抵有如下训练样本（只列举局部特色）。
划分训练集和测试集
为了证实模型的准确性，将训练集中的数据再分为训练集和测试集。当账户发明工夫为 2014 年以前时，数据为训练集，2014 年为测试集。
建模
XGBoost:
高效地实现了 GBDT 算法并进行了算法和工程上的许多改良，其原理是一直地增加树，每次增加一个树会学习一个新函数 f(x)，并拟合上次预测的残差。
当咱们训练实现失去 k 棵树，咱们要预测一个样本的分数，其实就是依据这个样本的特色，在每棵树中会落到对应的一个叶子节点，每个叶子节点就对应一个分数
最初只须要将每棵树对应的分数加起来就是该样本的预测值。
最初选取概率最大的预测值作为预测后果。
随机森林：
随机森林是一种集成学习，通过建设几个模型组合的来解决繁多预测问题。它的工作原理是生成多个分类器 / 模型，各自独立地学习和作出预测。这些预测最初联合成单预测，因而优于任何一个单分类的做出预测。它依附于决策树的投票抉择来决定最初的分类后果。
模型优化
1. 特征提取，样本抽样，参数调参。
通过图像能够看出, 局部指标城市在某些月份观光量增多。
年纪较长（40+）的人群更偏向于去 US。
未填写性别信息的人更偏向于不预约。
应用英语为母语的人群相较于其余人群更偏向于去 US。
大多数用户更偏向于应用 web 进行操作，也有一部分应用 ios 零碎操作。
能够向年长人群与母语为英语人群更多的举荐 US 的住宿信息，其余人群则多样化的推广。
优化 ios，安卓等零碎上的产品，以此取得更多用户。
通过应用 XGBoost 来进行预测，最终失去准确率为 0.628
通过应用随机森林来进行预测，最终失去准确率为 0.749
能够得出应用随即森林算法比 XGBoost 准确性更高。
输入 / 预测后果（局部）：
对于作者
在此对 Zhuhua Huang 对本文所作的奉献示意诚挚感激，她在西交利物浦大学实现了信息与计算迷信学位。善于数据采集与解决。
最受欢迎的见解
1.PYTHON 用户散失数据挖掘：建设逻辑回归、XGBOOST、随机森林、决策树、反对向量机、奢侈贝叶斯模型和 KMEANS 聚类用户画像
2. R 语言基于树的办法：决策树，随机森林
3.python 中应用 scikit-learn 和 pandas 决策树
4. 机器学习：在 SAS 中运行随机森林数据分析报告
5. R 语言用随机森林和文本开掘进步航空公司客户满意度
6. 机器学习助推快时尚精准销售工夫序列
7. 用机器学习辨认一直变动的股市情况——隐马尔可夫模型的利用
8.python 机器学习：举荐零碎实现（以矩阵合成来协同过滤）
9.python 中用 pytorch 机器学习分类预测银行客户散失
