Nesse projeto aplicado machine learning alguns projetos que eu fiz, aplicado com marketing digital previsão novos clientes na site, previsão leds, campanhas, cluterização novas campanhas de marketing digital. Objetivo desse projeto e pôr os conhecimento práticos de machine learning.
- 1 - Modelo de machine learning previsãoes campanha - Google analytics e-commerce
- 2 - Modelo M.L previsão campanhas IBM
Programação Python
Leitura CSV: Pandas
Análise de dados: Seaborn, Matplotlib
Machine learning: Scikit-learn
Para rodar esse projeto, você vai precisar adicionar as seguintes variáveis de ambiente no seu .env
Instalando a virtualenv
pip install virtualenv
Nova virtualenv
virtualenv nome_virtualenv
Ativando a virtualenv
source nome_virtualenv/bin/activate
(Linux ou macOS)
nome_virtualenv/Scripts/Activate
(Windows)
Retorno da env
projeto_py source venv/bin/activate
Desativando a virtualenv
(venv) deactivate
Instalando pacotes
(venv) projeto_py pip install flask
Instalando as bibliotecas
pip freeze
Instalação das bibliotecas para esse projeto no python.
conda install -c conda-forge pandas
conda install -c conda-forge scikitlearn
conda install -c conda-forge numpy
conda install -c conda-forge scipy
python==3.6.4
numpy==1.13.3
scipy==1.0.0
matplotlib==2.1.2
Instalação do Python É altamente recomendável usar o anaconda para instalar o python. Clique aqui para ir para a página de download do Anaconda https://www.anaconda.com/download. Certifique-se de baixar a versão Python 3.6. Se você estiver em uma máquina Windows: Abra o executável após a conclusão do download e siga as instruções.
Assim que a instalação for concluída, abra o prompt do Anaconda no menu iniciar. Isso abrirá um terminal com o python ativado. Se você estiver em uma máquina Linux: Abra um terminal e navegue até o diretório onde o Anaconda foi baixado. Altere a permissão para o arquivo baixado para que ele possa ser executado. Portanto, se o nome do arquivo baixado for Anaconda3-5.1.0-Linux-x86_64.sh, use o seguinte comando: chmod a x Anaconda3-5.1.0-Linux-x86_64.sh.
Agora execute o script de instalação usando.
Depois de instalar o python, crie um novo ambiente python com todos os requisitos usando o seguinte comando
conda env create -f environment.yml
Após a configuração do novo ambiente, ative-o usando (windows)
activate "Nome do projeto"
ou se você estiver em uma máquina Linux
source "Nome do projeto"
Agora que temos nosso ambiente Python todo configurado, podemos começar a trabalhar nas atribuições. Para fazer isso, navegue até o diretório onde as atribuições foram instaladas e inicie o notebook jupyter a partir do terminal usando o comando
jupyter notebook
# Carregando as bibliotecas
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
# Carregando o dataset
data = pd.read_csv("data.csv")
# Visualizando os 5 primeiros itens
data.head()
# visualizando linhas e colunas com shape
data.shape
# Informações das variaveis
data.info()
# Definindo variaveis para modelo
train = dados.iloc[:, 0:8].values
test = dados.iloc[:, 1].values
# Escalonamento dados
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
scaler.fit(valores_exames_v1)
saler_fit = StandardScaler.transform(valores_exames_v1)
# Treinamento do modelo
from sklearn.model_selection import train_test_split
X_train, x_test, y_train, y_test = train_test_split(X, y, test_size = 0.2)
# Modelo machine learning
# Algoritmo Naive bayes
from sklearn.naive_bayes import GaussianNB
naive = GaussianNB()
naive.fit(x_train, y_train)
naive_score = naive.score(x_train, y_train)
naive_score
# Previssão do naive bayes
naive_pred = naive.predict(x_test)
naive_pred
# Matriz de confusão e accuracy
from sklearn import metrics
from sklearn.metrics import accuracy_score
accuracy = accuracy_score(y_test, naive_pred)
matrix_naive = metrics.confusion_matrix(y_test, naive_pred)
print("Acurácia Naive bayes\n %.2f" % (accuracy))
print("Matrix de confusão")
print(matrix_naive)
# Classification Report
from sklearn.metrics import classification_report
clas1 = classification_report(y_test, reg_pred)
clas2 = classification_report(y_test, naive_pred)
print("Regressão logistica\n")
print(clas1)
print("Naive bayes\n")
print(clas2)
Que melhorias você fez no seu código?
- Ex: refatorações, melhorias de performance, acessibilidade, etc
Para suporte, mande um email para [email protected]