使用Keras和TensorFlow获取观众见解

Question

最近我发现了Keras和TensorFlow,我正试图进入ML.我手动将来自用户DB的列车和测试数据分类如下:

9个功能和标签,功能是我的系统中的事件,如"用户添加了个人资料图片"或"用户付费X服务",标签是正或负ROI(1或0)

样品:

我使用以下代码对用户进行了分类:

import numpy as np
from keras.layers import Dense
from keras.models import Sequential

train_data = np.loadtxt("train.csv", delimiter=",", skiprows=1)
test_data = np.loadtxt("test.csv", delimiter=",", skiprows=1)

X_train = train_data[:, 0:9]
Y_train = train_data[:, 9]

X_test = test_data[:, 0:9]
Y_test = test_data[:, 9]

model = Sequential()
model.add(Dense(8, input_dim=9, activation='relu'))
model.add(Dense(6, activation='relu'))
model.add(Dense(3, activation='relu'))
model.add(Dense(1, activation='sigmoid'))

# Compile model
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

# Fit the model
model.fit(X_train, Y_train, epochs=12000, batch_size=10)

# evaluate the model
scores = model.evaluate(X_test, Y_test)
print("\n\n\nResults: %s: %.2f%%" % (model.metrics_names[1], scores[1]*100))

并获得89%的准确率.这很有用,可以将用户标记为有价值的客户.

问:如何提取为可能的投资回报率做出贡献的功能,以便提升他们对用户体验的关注度？

或者:找到最佳组合观众群的方法是什么？

Answer 1

正如人们所说，没有简单的答案，我的答案也不是答案，但我认为你可以尝试这样的方法。

看看方法：

• 预测所有客户的结果
• 筛选好客户并绘制他们的特征
• 过滤不良客户端并绘制其特征
• 你能看到明显的模式吗？例如：大多数故障没有特征 x。

创建具有组合功能的假客户端：

• 首先，创建仅具有一项功能（从 1 到 9）的假客户。（客户端 1 仅具有功能 1，客户端 2 仅具有功能 2，依此类推）

• 预测这些客户的结果

• 检查是否有任何功能给出了良好的结果（这可能不是实际结果，但请注意）

在上面，您可以单独看到每个特征的结果，但这不太可能，不是吗？

• 现在您可以创建两个功能的所有组合。这些功能有 36 种组合 (9 x 8 / 2)。（F1/F2 ；F1/F3 ；F1/F4 ....）
• 预测并观察好的客户（记下最佳组合）

继续，3个特征的组合（84个组合）
4个特征的组合（126个组合）

比较上述每个步骤之间的结果：

• 所有失败的客户端都具有 4 个特征。与具有 1 个特征的成功客户进行比较：失败的客户中是否存在 1 个成功的特征？如果没有，您很可能已经找到了一个独立的成功功能。

• 所有测试的所有失败候选者中缺少任何功能吗？这是另一个独立的成功特征。

与第一个类似，您可以将 4 个失败的功能与 2 个成功的功能进行比较，并查看是否有任何一对功能是成功的。

等等。

考虑真实的客户并根据上述结果过滤它们：

• 从真正的客户中，选择所有具有您认为成功的单一功能的客户。确认他们确实成功了
• 对具有您认为成功的功能对的真实客户执行相同的操作。确认是否是。

您可以采用相同的方法，假设某些功能可能会导致失败而不是成功。或者不是查看当前的功能，而是查看缺失的功能等。