文章目录
- 一、为什么进行性别预测
- 二、特征数据选取
- 三、算法选择
- 四、代码示例
- 1、使用朴素贝叶斯，进行建模
- 2、使用支持向量机
- 3、使用逻辑斯蒂回归
一、为什么进行性别预测
- 用户注册时，所填写的性别，存在大概率的随意性；
- 不能完全作为用户画像的性别参考；
- 因此在无法通过直接手段获得用户真实性别的情况下，需要通过用户的各种行为特征，来对用户的性别进行预测。
二、特征数据选取
（1）比如选取以下的用户特征数据：
category1： 30天内买得最多的品类
category2： 30天内买得第二多的品类
category3： 30天内买得第三多的品类
brand1： 30天内买得最多的品牌
brand2： 30天内买得第二多的品牌
brand3： 30天内买得第三多的品牌
day30_buy_cnts： 30天内的购买单数
day30_buy_amt： 30天内的消费总金额
还可以加： 30天兴趣关键词中的top10个等等…
（2）经验样本数据
import pandas as pd
columns = 'category1,category2,category3,brand1,brand2,brand3,day30_buy_cnts,day30_buy_amt,label'.split(',')
data = [[105.0,106.0,102.0,1101.0,1108.0,1109.0,20.0,100.0,1],
[105,107,102,1101,1108,1105,25,80,1],
[106,104,102,1102,1108,1109,20,100,1],
[106,107,105,1103,1108,1105,30,90,1],
[112,107,105,2103,1108,1105,38,60,1],
[112,116,112,2101,2107,2109,10,3000,0],
[115,117,112,2103,2107,2105,9,1800,0],
[112,118,113,2102,2108,2109,10,1009,0],
[116,113,118,2103,2106,2105,5,2000,0],
[115,117,102,2101,2108,2105,8,800,0]]
data = pd.DataFrame(data,columns = columns)
X_train = data.iloc[:,:-1]
y_train = data.iloc[:,-1]
（3）待测试数据
data = [[105.0,106.0,102.0,1101.0,1108.0,1109.0,5.0,320.0,1],
[105,116,102,102,2107,1105,35,180,1],
[112,116,112,2101,1108,2109,10,3000,0],
[115,117,106,2103,2107,2105,9,1800,0]]
data = pd.DataFrame(data,columns = columns)
X_test = data.iloc[:,:-1]
y_test = data.iloc[:,-1]#测试数据的真实类别
三、算法选择
-
因为我们选择的品牌、品类不是具体的数值，代表的而是分类（是离散的），所以不能用逻辑回归（LR的数据都是连续的特征），而选择用朴素贝叶斯算法。
-
其他算法也是可以的。如果我们对于算法，区别，不是特别清楚，可以多试几个算法，寻找最优算法。
-
问题是，使用朴素贝叶斯算法，特征值要都是很明确的，不是随机变化性的。但是我们选取的最后两个特征：单数和总金额，是会产生很多很多可能性的值，在同类中是变化不明确的，特征值是很多的。那该怎么办呢？
-
将最后面的两个特征值的区间化（离散化），把连续变化的特征值， 转成只有有限的若干几种取值。
四、代码示例
1、使用朴素贝叶斯，进行建模
from sklearn.naive_bayes import MultinomialNB,BernoulliNB,GaussianNB
# 离散化区间化
# 训练数据离散化
X_train['day30_buy_cnts'] = pd.cut(X_train['day30_buy_cnts'],bins = [0,10,20,30,40,50],labels=[1,2,3,4,5])
X_train['day30_buy_amt'] = pd.cut(X_train['day30_buy_amt'],bins = [0,100,200,500,1000,2000,5000,100000],labels=[1,2,3,4,5,6,7])# 测试数据离散化
X_test['day30_buy_cnts'] = pd.cut(X_test['day30_buy_cnts'],bins = [0,10,20,30,40,50],labels=[1,2,3,4,5])
X_test['day30_buy_amt'] = pd.cut(X_test['day30_buy_amt'],bins = [0,100,200,500,1000,2000,5000,100000],labels=[1,2,3,4,5,6,7])# 声明模型进行训练和预测
mNB = MultinomialNB()
mNB.fit(X_train,y_train)
y_pred = mNB.predict(X_test)
display(y_pred)
bNB = BernoulliNB()
bNB.fit(X_train,y_train)
y_pred = bNB.predict(X_test)
display(y_pred)
gNB = GaussianNB()
gNB.fit(X_train,y_train)
y_pred = gNB.predict(X_test)
display(y_pred)
结果如下：
真实结果是：1,1,0,0
array([1, 0, 1, 0], dtype=int64)
array([0, 0, 0, 0], dtype=int64)
array([1, 0, 1, 0], dtype=int64)
2、使用支持向量机
from sklearn.svm import SVC
svc = SVC()
svc.fit(X_train,y_train)
svc.predict(X_test)
结果如下:
array([1, 1, 0, 0], dtype=int64)
虽然这四个数据，支持向量机，全部预测准确了，但是现在还不能说，SVM就比朴素贝叶斯好。因为这个数据太少了，只是小案例。如果要比较，唯一标准，就是市场检验！将算法，上线，经过大量数据，验证，看最终效果。
3、使用逻辑斯蒂回归
from sklearn.linear_model import LogisticRegression
lr = LogisticRegression()
lr.fit(X_train,y_train)
lr.predict(X_test)
预测结果如下：
array([1, 0, 1, 0], dtype=int64)
欢迎大家一起学习，进步！
参考
