• @RafaelGallo

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]