Python——潜在会员用户预测

Posted 2020-11-27 小萝卜鸭

介绍

在该章节中我们将根据用户产生的数据对潜在的会员用户（可能产生购买会员的行为）进行预测。

知识点

• 朴素贝叶斯
• 人工神经网络

---

越来越多的用户开始购买的会员服务，享受更多的优质课程，以及最为完整的线上操作体验。但是，的一位注册用户是否购买会员的行为应该是建立在一定背景条件下。相信很少有用户刚刚完成注册不久，就直接购买会员。

比如，用户 A 在上学习了越来越多的免费课程，并对会员课程蠢蠢欲动。所以，他决定付费购买会员。或者像用户 B 通过不断地在线练习，积累了大量的豆。而豆正好可以抵扣一部分会员费用。于是打算购买会员服务。

一般来讲，促使付费行为发生的原因，往往都建立在用户的活跃度之上。没有足够的了解，也就没有足够强烈的付费意愿。这一次，我们提供了用户的真实采样数据，你可以通过下面链接下载该数据。

链接：https://pan.baidu.com/s/1-afbP1i9WLzZjmNRt7SIUw 提取码：4ei6

训练数据集包含有 8 个特征项，以及用户是否为会员的标签，数据共计 40000 条。预览如下：

import pandas as pd

pd.read_excel("user_fit.xlsx").head()

测试数据集包含 10000 条数据，且数据特征项与训练数据集完全一致。唯一不同的地方在于，训练数据集中既有会员数据也有非会员数据，而测试数据集中全部都为非会员用户。预览如下：

pd.read_excel("user_prediction.xlsx").head()

数据集已经做过相应的预处理工作，没有缺失值。最后一项会员标签，通过布尔值进行标识。True当前用户是会员身份，False 代表当前用户不是会员身份。

下面，我们想使用 user_fit.xlsx 数据集训练一个预测模型，用于预测 user_prediction.xlsx 非会员数据集中，有哪一些可能是潜在的会员用户。

朴素贝叶斯方法

朴素贝叶斯是一种可用于构建分类模型的方法，他是假设特征相互独立的情况下，运用贝叶斯定理进行后验概率计算的简单分类器。

我们先看一下贝叶斯定理。贝叶斯定理由英国数学家托马斯·贝叶斯命名，它是描述随机事件条件概率的一则定理。公式如下：

P(A | B)=P(A∣B)=P(B)P(B∣A)P(A)

其中：

• P(A)P(A) 被称之为 A 的先验概率，也就是 A 事件在不考虑 B 因素条件下发生的概率。
• P(A|B)P(A∣B) 是在 B 事件发生的情况下 A 事件发生的可能性，也被称作 A 的后验概率。

同理，P(A)P(A) 和 P(A|B)P(A∣B) 的含义应该就很清楚了。如果你对概率论不太了解。那么，我们结合着本的数据集来解释。

我们的数据集拥有 8 个特征值，分别为：用户的注册时间、用户的学习时间 用户豆数量、学习的课程数量、学习的数量、学习训练营数量 用户的提问数量、用户的评论数量。这些特征之间是相互独立的。

而这些特征可能会对最后的目标参数，也就是该用户是否为会员造成影响。也就是说，如果我们现在有一个会员的数据，我们知道他的 8 个特征取值，最后想了解他成为会员的概率有多大？

根据贝叶斯定理：

P(A | B)=P(A∣B)=P(B)P(B∣A)P(A*)

也就是说（这里只选择前两个特征，以方便描述）：

P(会员 | 用户的注册时间 )=P(会员∣用户的注册时间×用户的学习时间)=P(用户的注册时间×用户的学习时间)P(用户的注册时间×用户的学习时间∣会员)*P(会员)

我们认为特征之间是相互独立的。所以：

P(会员 | 用户的注册时间)=P(会员∣用户的注册时间×用户的学习时间)=P(用户的注册时间)×P(用户的学习时间)P(用户的注册时间∣会员)×(用户的学习时间∣会员)×P(会员)

那么，像 P(用户的注册时间)P(用户的注册时间) 这样的概率怎样求解呢？由于我们这里是连续变量，一般会针对其进行离散化处理，也就是通过假定一个区间，计算变量落在该区间内的概率。

最后，我们就可以计算出该用户是会员和不是会员的概率，通过比较得出分类属性。

模型实现

我们这里直接使用 scikit-learn 提供的贝叶斯算法来构建模型，从而降低自行构建模型的复杂程度。

scikit-learn 针对朴素贝叶斯提供了三种分类器，分别是：

• 高斯分布朴素贝叶斯分类器 naive_bayes.GaussianNB
• 多项式分布朴素贝叶斯分类器 naive_bayes.MultinomialNB
• 伯努利分布朴素贝叶斯分类器 naive_bayes.BernoulliNB

其中，高斯分布模型常用于特征值为连续型变量的数据集中，例如本中的数据集。高斯模型的特点在于它通常假设是这些连续数值为高斯分布，相比于直接把连续变量离散化的方法更优。伯努利模型常用处理特征变量为布尔值类型的数据集，多项式模型常用于文本分类。

下面，我们先尝试使用高斯分布朴素贝叶斯针对 user_fit.xlsx 数据集构建一个分类模型。代码非常简单。

from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB

# 使用 Pandas 读取数据
df_fit = pd.read_excel("user_fit.xlsx", header=0)
# 特征
X = df_fit.iloc[:, 0:8]
# 目标
y = df_fit['用户是否为会员']
# 安装 3:7 切分验证集和训练集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)
X_train.shape, X_test.shape, y_train.shape, y_test.shape

# 构建高斯贝叶斯分类器
model_GaussianNB = GaussianNB()
# 使用训练集训练模型
model_GaussianNB.fit(X_train, y_train)
# 使用验证集评估准确度
model_GaussianNB.score(X_test, y_test)

经过测试，得到了大约 92%92 的准确率，结果还能接受。当然，由于数据会随机分配，你的预测准确率可能会有些许出入。接下来，我们使用 user_fit.xlsx 全部数据用于训练模型，并将模型保存为二进制文件。

from sklearn.externals import joblib

model_GaussianNB.fit(X, y)
# 保存模型
joblib.dump(model_GaussianNB, 'model_GaussianNB.pkl')

然后，我们使用该模型去评估 user_prediction.xlsx 非会员数据集中，潜在会员用户的概率。

# 使用 Pandas 读取数据
df_pred = pd.read_excel("user_prediction.xlsx", header=0)
# 特征
X_pred = df_pred.iloc[:, 0:8]
# 加载模型
model_GaussianNB = joblib.load('model_GaussianNB.pkl')
# 返回预测概率（%）
results = model_GaussianNB.predict_proba(X_pred) * 100
results

import numpy as np
# 将预测概率转换为 DataFrame
results_df = pd.DataFrame(np.around(results, 2), columns=['非会员概率', '会员概率'])
# 将预测概率添加到原数据集中最后一列
df_merged = pd.concat(
    [df_pred.drop("用户是否为会员", axis=1), results_df['会员概率']], axis=1)
df_merged.sort_values(by="会员概率", ascending=False)

我们可以看到，原 DataFrame 最后一列已经添加了我们预测某位用户是潜在会员用户的概率。我们可以针对概率排序，将大于 50%50 的用户筛选出来，对这些潜在会员用户给予重点关照。

人工神经网络

除了使用高斯贝叶斯分类器，我们还可以使用人工神经网络来进行预测，人工神经网络同样可以返回概率值。关于人工神经网络的结构，我们在第 5 节分类与预测的课程中已经做过介绍，这里直接使用 sklearn 提供的神经网络模型。

同样，我们首先拿 user_fit.xlsx 看一看神经网络模型的分类效果。

from sklearn.neural_network import MLPClassifier

# 构建神经网络分类器
model_MLPClassifier = MLPClassifier(
    activation='logistic', max_iter=1000, hidden_layer_sizes=(50, 50, 50))
# 使用训练集训练模型
model_MLPClassifier.fit(X_train, y_train)
# 使用验证集评估准确度
score_trainset = model_MLPClassifier.score(X_train, y_train)*100
score_testset = model_MLPClassifier.score(X_test, y_test)*100

print("训练集预测准确率：%.2f%%" % score_trainset)
print("测试集预测准确率：%.2f%%" % score_testset)

这里，我们使用最常见的 logistic 激活函数，建立一个含 3 个隐含层，每层 50 个神经元的网络。由于迭代次数较多，在线上环境中运行时间较长，你也可以调低数值用于测试。

预期结果会比上面的贝叶斯分类器好一些，但效果依旧不是最理想的情况。原因是，的确有部分用户刚注册不久就直接购买了会员服务，对于这类用户群，使用本的方法很难进行有效预测。

同样，我们使用全部数据进行训练，对非会员数据进行概率预测：

model_MLPClassifier.fit(X, y)
# 返回预测概率（%）
results = model_MLPClassifier.predict_proba(X_pred) * 100
# 将预测概率转换为 DataFrame
results_df = pd.DataFrame(np.around(results, 2), columns=['非会员概率', '会员概率'])
# 将预测概率添加到原数据集中最后一列
df_merged = pd.concat(
    [df_pred.drop("用户是否为会员", axis=1), results_df['会员概率']], axis=1)
# 按会员概率降排序
df_merged.sort_values(by='会员概率', ascending=False)

你会发现，使用神经网络预测返回的概率值，没有出现像贝叶斯模型返回 100% 概率的情况，结果相对要更合理一些。

总结

本章节，我们通过使用 sklearn 提供的朴素贝叶斯和神经网络方法，构建了较为简单的购买会员行为预测模型。由于我们的数据集是典型可用于监督学习的数据集，这里就采用了分类的方式完成。

当然，由于这种行为预测的方法十分简单，或许实际使用情况并不会特别理想。实际生产环境中，如果想要得到更为准确的行为预测结果，可能需要多种算法交叉预测。例如，可以再引入时间序列预测方法，采样分析用户从注册到购买会员期间期间的行为变化。当然，这可能需要处理 GB 量级的数据，本课程就不再深入展开了。总之，数据分析没有唯一的方案，只有根据实际数据情况不断调整，得到更好的方案。