第1篇 基础篇 …………………………………………………… 1

项目1 机器学习概述 ……………………………………………………………………… 1

1.1 机器学习简介 …………………………………………………………………… 1

1.1.1 什么是机器学习 …………………………………………………………… 1

1.1.2 机器学习的基本原理 ……………………………………………………… 1

1.1.3 机器学习的应用领域 ……………………………………………………… 1

1.2 机器学习通用流程 ……………………………………………………………… 4

1.2.1 目标分析 …………………………………………………………………… 1

1.2.2 数据准备 …………………………………………………………………… 1

1.2.3 特征工程 …………………………………………………………………… 1

1.2.4 模型训练 …………………………………………………………………… 1

1.2.5 模型评估与调优 …………………………………………………………… 1

1.3 Python机器学习工具库简介…………………………………………………… 14

1.3.1 数据准备相关工具库 …………………………………………………… 14

1.3.2 数据可视化相关工具库 ………………………………………………… 14

1.3.3 模型训练与评估相关工具库 …………………………………………… 14

1.4 Scikit-Learn …………………………………………………………………… 20

1.4.1Scikit-Learn简介 ……………………………………………………… 14

1.4.2Scikit-Learn的安装 …………………………………………………… 14

1.4.3Scikit-Learn的使用 …………………………………………………… 14

1.5 小结 ……………………………………………………………………………… 30

项目2 数据预处理 ……………………………………………………………………… 31

2.1 知识准备 ………………………………………………………………………… 31

2.2.1 数据处理 ………………………………………………………………… 20

2.2.2 数据降维 ………………………………………………………………… 20

2.2.3 数据集拆分 ……………………………………………………………… 20

2.2 数据处理 ………………………………………………………………………… 40

2.2.1 数据标准化处理 ………………………………………………………… 20

2.2.2 数据离差标准化处理 …………………………………………………… 20

2.2.3 数据二值化处理 ………………………………………………………… 20

2.2.4 数据归一化处理 ………………………………………………………… 20

2.2.5 独热编码处理 …………………………………………………………… 20

2.2.6 数据 PCA 降维处理 ……………………………………………………… 20

2.3 小结 ……………………………………………………………………………… 50

项目3 机器学习与实现 ………………………………………………………………… 51

3.1 Scikit-learn库中的模型和方法 ……………………………………………… 51

3.2 数据预处理 ……………………………………………………………………… 56

3.2.1 缺失值处理 ……………………………………………………………… 56

3.2.2 数据规范化 ……………………………………………………………… 56

3.2.3 主成分分析 ……………………………………………………………… 56

3.3 线性回归 ………………………………………………………………………… 59

3.3.1 一元线性回归 …………………………………………………………… 56

3.3.2 多元线性回归 …………………………………………………………… 56

3.3.3Python线性回归应用举例 ……………………………………………… 56

3.4 逻辑回归 ………………………………………………………………………… 62

3.4.1 逻辑回归模型 …………………………………………………………… 62

3.4.2Python逻辑回归模型应用举例 ………………………………………… 62

3.5 神经网络 ………………………………………………………………………… 62

3.5.1 神经网络模拟思想 ……………………………………………………… 62

3.5.2 神经网络结构及数学模型 ……………………………………………… 62

3.5.3Python神经网络分类应用举例 ………………………………………… 62

3.5.4Python神经网络回归应用举例 ………………………………………… 62

3.6 支持向量机 ……………………………………………………………………… 62

3.6.1 支持向量机原理 ………………………………………………………… 62

3.6.2Python支持向量机应用举例 …………………………………………… 62

3.7 K-均值聚类 …………………………………………………………………… 62

3.7.1K-均值聚类的基本原理 ………………………………………………… 62

3.7.2PythonK-均值聚类算法应用举例 …………………………………… 62

3.8 小结 ……………………………………………………………………………… 65

第2篇 实践篇 …………………………………………………… 1

项目4 餐饮企业综合分析与预测 ……………………………………………………… 67

4.1 餐饮企业需求分析 ……………………………………………………………… 67

4.1.1 餐饮企业现状与需求 …………………………………………………… 67

4.1.2 餐饮企业数据基本状况 ………………………………………………… 67

4.1.3 餐饮企业数据分析的步骤与流程 ……………………………………… 67

4.2 数据准备 ………………………………………………………………………… 72

4.2.1 统计每日用餐人数与销售额 …………………………………………… 72

4.2.2 数据预处理 ……………………………………………………………… 72

4.3 使用 K-Means算法进行客户价值分析 ……………………………………… 76

4.3.1 构建 RFM 特征 …………………………………………………………… 76

4.3.2 构建 K-Means模型 …………………………………………………… 76

4.3.3K-Means模型结果分析 ………………………………………………… 76

4.4 使用决策树算法实现餐饮客户流失预测 ……………………………………… 81

4.4.1 构建客户流失特征 ……………………………………………………… 81

4.4.2 构建客户流失预测模型 ………………………………………………… 81

4.4.3 分析决策树模型结果 …………………………………………………… 81

4.5 小结 ……………………………………………………………………………… 96

项目5 通信运营商客户流失分析与预测 ……………………………………………… 97

5.1 通信运营商用户流失需求分析 ………………………………………………… 97

5.1.1 通信运营商现状与需求 ………………………………………………… 97

5.1.2通信运营商数据基本状况 ……………………………………………… 97

5.1.3通信运营商客户流失分析与预测的步骤与流程 ……………………… 97

5.2 数据准备 ……………………………………………………………………… 103

5.2.1数据去重与降维 ………………………………………………………… 103

5.2.2数据清洗 ………………………………………………………………… 103

5.2.3数据合并 ………………………………………………………………… 103

5.3 特征工程 ……………………………………………………………………… 106

5.3.1独热编码 ………………………………………………………………… 106

5.3.2合并预处理后的数据集 ………………………………………………… 106

5.4 使用多层感知器算法实现通信运营商客户流失预测 ……………………… 106

5.4.1数据集划分与数据标准化 ……………………………………………… 106

5.4.2构建用户流失预测模型 ………………………………………………… 106

5.4.3模型评价 ………………………………………………………………… 106

5.5 使用随机森林算法实现通信运营商客户流失预测 ………………………… 106

5.5.1 构建随机森林模型 ……………………………………………………… 106

5.5.2 模型评价 ………………………………………………………………… 106

5.6 使用决策树算法实现通信运营商客户流失预测 …………………………… 106

5.6.1 构建决策树模型 ………………………………………………………… 112

5.6.2 模型评价 ………………………………………………………………… 106

5.7 使用逻辑回归算法实现通信运营商客户流失预测 ………………………… 106

5.7.1 构建逻辑回归模型 ……………………………………………………… 113

5.7.2 模型评价 ………………………………………………………………… 106

5.8 小结 …………………………………………………………………………… 110

项目6 市财政收入分析 ………………………………………………………………… 112

6.1 财政收入预测需求分析 ……………………………………………………… 112

6.1.1 现状描述 ………………………………………………………………… 116

6.1.2 需求分析 ………………………………………………………………… 116

6.2 数据准备 ……………………………………………………………………… 115

6.2.1 数据收集 ………………………………………………………………… 117

6.2.2 数据探索和分析 ………………………………………………………… 118

6.2.3Pearson相关系数分析 ………………………………………………… 119

6.3 特征工程 ……………………………………………………………………… 115

6.3.1 特征筛选 ………………………………………………………………… 121

6.3.2 特征选择 ………………………………………………………………… 122

6.4 利用支持向量回归预测模型和灰色模型预测 ……………………………… 115

6.4.1 灰色预测模型 …………………………………………………………… 123

6.4.2 关键特征预测 …………………………………………………………… 125

6.4.3SVR模型预测 …………………………………………………………… 127

6.5 预测关键特征及性能度量分析 ……………………………………………… 115

6.5.1 预测关键特征数据 ……………………………………………………… 129

6.5.2 预测2026年和2027年财政收入 ……………………………………… 130

6.5.3 性能度量指标 …………………………………………………………… 130

6.6 小结 …………………………………………………………………………… 123

项目7 携程客户分析与流失预测 ……………………………………………………… 124

7.1 携程客户流失预测需求分析 ………………………………………………… 124

7.2 数据准备 ……………………………………………………………………… 127

7.2.1 数据指标 ………………………………………………………………… 134

7.2.2 数据概况 ………………………………………………………………… 134

7.3 数据分布 ……………………………………………………………………… 136

7.3.1 数据分布总览 …………………………………………………………… 137

7.3.2 预定日期和入住日期 …………………………………………………… 140

7.3.3 访问时间段 ……………………………………………………………… 141

7.3.4 客户价值 ………………………………………………………………… 141

7.3.5 消费能力指数 …………………………………………………………… 142

7.3.6 价格敏感指数分布 ……………………………………………………… 143

7.3.7 入住酒店平均价格 ……………………………………………………… 143

7.3.8 酒店星级偏好 …………………………………………………………… 144

7.3.9 新老客户流失率 ………………………………………………………… 145

7.3.10 订单取消率 …………………………………………………………… 146

7.3.11 用户年订单数分布 …………………………………………………… 147

7.4 数据预处理 …………………………………………………………………… 140

7.4.1 去除不需要的字段与重复字段 ………………………………………… 147

7.4.2 数据类型转换 …………………………………………………………… 148

7.4.3 异常值处理 ……………………………………………………………… 148

7.4.4 缺失值处理 ……………………………………………………………… 150

7.5 特征工程 ……………………………………………………………………… 140

7.5.1 相关性分析 ……………………………………………………………… 152

7.5.2降维 ……………………………………………………………………… 156

7.5.3 数据标准化与归一化 …………………………………………………… 157

7.6 利用逻辑回归等模型进行预测 ……………………………………………… 140

7.6.1 逻辑回归 ………………………………………………………………… 157

7.6.2 朴素贝叶斯 ……………………………………………………………… 158

7.6.3 支持向量机 ……………………………………………………………… 158

7.6.4 决策树 …………………………………………………………………… 159

7.6.5 随机森林 ………………………………………………………………… 159

7.6.6XGBoost ………………………………………………………………… 160

7.6.7 模型比较 ………………………………………………………………… 161

7.7 RFM 与用户画像分析 ………………………………………………………… 140

7.7.1RFM 分析 ……………………………………………………………… 162

7.7.2Kmeans构建用户画像 ………………………………………………… 165

7.7.3 用户画像分析 …………………………………………………………… 170

7.8 小结 …………………………………………………………………………… 142