1、背景 目的：平臺(tái)每日活躍用戶(hù)沒(méi)有顯著提升，但用戶(hù)構(gòu)成比例中新訪(fǎng)客比率逐漸上升，老用戶(hù)的留存率逐漸下降，根據(jù)需求進(jìn)行付費(fèi)用戶(hù)流失情況作一個(gè)專(zhuān)題分析，內(nèi)容包括：流失用戶(hù)識(shí)別，...
發(fā)簡(jiǎn)信
IP屬地：山東
-
用戶(hù)流失分析與預(yù)測(cè) -
10.1.1 重復(fù)值檢測(cè)1. duplicated() 和 drop_duplicated() duplicated() 檢測(cè)重復(fù)值，drop_duplicated() 去掉重復(fù)值。 1.1 查看重...
-
10.1.2 分組1. 分組，透視，交叉 2. 分組 多層級(jí)的數(shù)據(jù)邏輯 導(dǎo)入英雄數(shù)據(jù)： 分組： 第一步：groupby，拿到一個(gè)對(duì)象。 通過(guò)對(duì)象的groups的屬性可以拿到一個(gè)字典 第二步：將...
-
10.14 plt,seaborn顏色設(shè)置1.plt顏色設(shè)置 常用的顏色： 2. Seaborn顏色設(shè)置 調(diào)色板：（1）sns.set_palette() (2) sns.color_palette() 一般用調(diào)色...
-
10.13 Seaborn 常用圖像繪制知識(shí)點(diǎn) 1.置信水平 2. 1. 數(shù)據(jù)集下載 2. 以鳶尾花數(shù)據(jù)和泰坦尼克號(hào)為例 2.1 線(xiàn)型圖 iris = sns.load_dataset('iris')iris.h...
-
9.2 集成學(xué)習(xí) boosting1.集成學(xué)習(xí)原理 Bagging思想，把強(qiáng)變?nèi)酰黄鸪鲋饕猓镀被蚱骄oosting思想，通過(guò)線(xiàn)性組合把弱變強(qiáng)。 2. Boosting實(shí)現(xiàn) 2.1 導(dǎo)入數(shù)據(jù)，KNN建模...
-
10.12 繪圖matplotlib pandas seaborn1. 3種繪圖 pandas 和 seaborn 繪圖都是基于 matplotlib的 變化趨勢(shì)用線(xiàn)性圖，對(duì)應(yīng)關(guān)系用散點(diǎn)圖，大小比較用條形圖，數(shù)據(jù)分布用直方圖，數(shù)據(jù)組成用餅圖...
-
9.3 集成學(xué)習(xí) stacking1. stacking 功能：模型融合 bagging 和 boosting基于同一個(gè)算法。stacking不受方法限制，可以把不同的方法封裝成1個(gè)投票器，一起工作。 2.實(shí)...
-
7.0 KMeans 聚類(lèi)分析1. KMeans原理 使用歐式距離，相似的事物的距離測(cè)量更短，不相似的距離更長(zhǎng)。 分類(lèi)和聚類(lèi)的區(qū)別 兩者的目標(biāo)不一樣，操作對(duì)象不一樣分類(lèi)：拿到點(diǎn)，進(jìn)行類(lèi)別的劃分，屬于哪個(gè)類(lèi)...
-
7.2 球類(lèi)水平聚類(lèi)分析 3D繪圖1.聚類(lèi)分析 2.聚類(lèi)的基本使用 2.1 思路 1.生成有2個(gè)特征，分布有3個(gè)中心的假數(shù)據(jù)2.用散點(diǎn)圖展示3.訓(xùn)練預(yù)測(cè)并展示 2.2 實(shí)現(xiàn) 2.2.1導(dǎo)包 import nu...
-
3.3 圖例繪制 plt繪圖1.圖例繪制 2種方法 導(dǎo)入各包： 2.展示吸煙者和不吸煙者的平均消費(fèi)賬單 注： ci 是置信水平的意思，在此處只能設(shè)置95，即置信水平為95% ，對(duì)應(yīng)接近2倍的標(biāo)準(zhǔn)差。 1...
-
10.2 sns 繪圖1.圖形種類(lèi) seaborn 常用 基于matplotlib, 解決分組問(wèn)題。【橫軸，縱軸，數(shù)據(jù)集】往往畫(huà)的聚合指標(biāo)圖像barplot() 條形圖scatterplot(...
-
6.5 過(guò)濾垃圾郵件1.知識(shí)點(diǎn) 2.實(shí)現(xiàn) 2.1 導(dǎo)包和讀取數(shù)據(jù)集 import numpy as npimport pandas as pdfrom pandas import Series,...
-
5.14 預(yù)測(cè)隱性眼睛類(lèi)別 決策樹(shù)，貝葉斯1.知識(shí)點(diǎn) 2.實(shí)現(xiàn) 2.1 導(dǎo)包 from sklearn.tree import DecisionTreeClassifierimport seaborn as snsi...
-
5.12 決策樹(shù)回歸1. 多輸出問(wèn)題 多個(gè)y值，y也為VSM結(jié)構(gòu) from sklearn.tree import DecisionTreeRegressorX(VSM) yX Y(VSM)...
-
5.11 決策樹(shù)基本使用1. 數(shù)據(jù)集鳶尾花分析 2.用決策樹(shù)分析 2.1 導(dǎo)包 基于Cart樹(shù)的實(shí)現(xiàn) 只劃分二叉樹(shù) from sklearn.tree import DecisionTreeClas...
-
5.10 決策樹(shù)與ID3算法1. 決策樹(shù) https://blog.csdn.net/dorisi_h_n_q/article/details/82787295[https://blog.csdn.ne...
-
5.9 舊金山犯罪分析1. 知識(shí)點(diǎn) 所有字段都為離散的，犯罪是有原因的，因素和結(jié)果是有概率關(guān)系。 2.實(shí)現(xiàn) 2.1導(dǎo)包 import numpy as npimport pandas as pdf...
-
5.8 繪制混淆矩陣1.混淆矩陣 接受者操作特征（Receiver Operating Characteristic Curve，ROC）曲線(xiàn)是顯示分類(lèi)器真正率和假正率之間折中的?種圖形化?法，...