【Python机器学习】使用决策树模型预测消费者未来消费行为实战（附源码和数据集超详细）

骑猪看日落 2023-09-30 17:55 9阅读 0赞

> **需要源码和数据集请点赞关注收藏后评论区留言私信~~~**

一个预测未来消费行为的示例，即已经采集了过去消费行为的信息，并用来建立一个模型以对未来的消费行为进行预测。该示例简要演示了数据预处理、提取特征、选择模型、训练模型、评估模型、应用等阶段，供读者初步了解机器学习的应用流程。

过去的消费行为信息包括消费者进店的年月日，性别（1男 0女）和是否消费（1消费 0没消费）共五项 部分数据如下

![be64be5295d4480a86ea9e9dc76418db.png][]

## 1：切分训练集和测试集 ##

代码如下

# 将训练数据切分为训练集和验证集
    train_set = [] # 训练集
    train_labels = [] # 训练集的标签
    valid_set = [] # 验证集
    valid_labels = [] # 验证集的标签
    for i in range(len(train_data)):
        if i < 20: # 将训练数据的前20条作为训练集，后10条作为验证集
            train_set.append( train_data[i][:4])
            train_labels.append(train_data[i][4])
        else:
            valid_set.append( train_data[i][:4])
            valid_labels.append(train_data[i][4])

## 2：直接用原始数据训练模型 ##

不提取特征，直接用原始数据来训练模型 代码如下

from sklearn import tree # 导入决策树库
    clf = tree.DecisionTreeClassifier() # 创建一个分类决策树对象
    clf = clf.fit(train_set, train_labels) # 训练模型
    print(valid_labels)
    print(clf.predict(valid_set)) # 用训练好的模型来预测验证集，验证误差率为0.5

输出结果如下，可见有五个预测错误 验证误差率位0.5，基本属于瞎猜，没有实际效果

![00da7abddac446b284add399c501017a.png][]

按一般的常识，消费者可能在周末的消费意愿要高一点，因此可以提取出是否周末的特征来训练模型

## 3：提取周末特征训练模型 ##

定义一个判断是否为周末的函数

import datetime # 导入datetime模块，该模块用来处理与日期和时间有关的计算
    
    # 定义一个判断是否为周末的函数
    def isweekend( date ): 
        theday = datetime.date( date[0], date[1], date[2] ) # 创建一个date对象
        if theday.isoweekday() in { 6, 7 }: # 如果date是周末则返回1，否则返回0
            return 1
        else:
            return 0
    isweekend([2020, 11, 15])

预测结果如下

可见误差率在0.2左右，比之前用原始数据的准确率提高不少

![c0c8a6d63cd94309bc0e8ba8fbe1e236.png][]

由上面可知，如果提取了是否为周末的特征，那么预测成功率将会大大提高，实际上，对训练数据的统计显示，男性每进一次店由消费行为的概率为0.75，不分周末还是平时，而女性在周末进店有消费行为的概率为0.66，非周末进店有消费行为的概率为0.34，因此如果不提起是否为周末的特征，模型无法充分利用日期信息进行学习。

**创作不易 觉得有帮助请点赞关注收藏~~~**

[be64be5295d4480a86ea9e9dc76418db.png]: https://img-blog.csdnimg.cn/be64be5295d4480a86ea9e9dc76418db.png
[00da7abddac446b284add399c501017a.png]: https://img-blog.csdnimg.cn/00da7abddac446b284add399c501017a.png
[c0c8a6d63cd94309bc0e8ba8fbe1e236.png]: https://img-blog.csdnimg.cn/c0c8a6d63cd94309bc0e8ba8fbe1e236.png