推廣 熱搜: 2022  財務  微信  法律    網(wǎng)格化  管理  營銷  總裁班  安全 

Python數(shù)據(jù)建模及模型優(yōu)化

主講老師: 傅一航 傅一航

主講師資:傅一航

課時安排: 1天/6小時
學習費用: 面議
課程預約: 隋老師 (微信同號)
課程簡介: 基于真實的業(yè)務問題,在數(shù)據(jù)建模的標準過程指導下,從模型選擇到特征工程,從訓練模型到算法實現(xiàn),從模型評估到模型優(yōu)化,再到模型解讀及模型應用,帶領大家一步步實現(xiàn)一個回歸預測模型。
內訓課程分類: 綜合管理 | 人力資源 | 市場營銷 | 財務稅務 | 基層管理 | 中層管理 | 領導力 | 管理溝通 | 薪酬績效 | 企業(yè)文化 | 團隊管理 | 行政辦公 | 公司治理 | 股權激勵 | 生產管理 | 采購物流 | 項目管理 | 安全管理 | 質量管理 | 員工管理 | 班組管理 | 職業(yè)技能 | 互聯(lián)網(wǎng)+ | 新媒體 | TTT培訓 | 禮儀服務 | 商務談判 | 演講培訓 | 宏觀經濟 | 趨勢發(fā)展 | 金融資本 | 商業(yè)模式 | 戰(zhàn)略運營 | 法律風險 | 沙盤模擬 | 國企改革 | 鄉(xiāng)村振興 | 黨建培訓 | 保險培訓 | 銀行培訓 | 電信領域 | 房地產 | 國學智慧 | 心理學 | 情緒管理 | 時間管理 | 目標管理 | 客戶管理 | 店長培訓 | 新能源 | 數(shù)字化轉型 | 工業(yè)4.0 | 電力行業(yè) |
更新時間: 2023-09-01 11:22


課程目標】

本課程主要講解如何利用Python進行數(shù)據(jù)建模,建立數(shù)學模型,來擬合業(yè)務的各個要素之間的關系,來模擬業(yè)務的未來發(fā)展和變化。

基于真實的業(yè)務問題,在數(shù)據(jù)建模的標準過程指導下,從模型選擇到特征工程,從訓練模型到算法實現(xiàn),從模型評估到模型優(yōu)化,再到模型解讀及模型應用,帶領大家一步步實現(xiàn)一個回歸預測模型。

通過本課程的學習,達到如下目的:

1、 掌握數(shù)據(jù)建模的標準流程。

2、 掌握數(shù)據(jù)預處理常用的方法,包括特征篩選、變量合并等

3、 掌握回歸模型的原理,以及算法實現(xiàn)。

4、 熟練使用模型的評估指標,評估方法,以及過擬合的評估。

5、 掌握模型優(yōu)化的基本措施,學會欠擬合的解決方法。

6、 學會過擬合評估,學會使用有正則項來解決過擬合問題。

7、 熟練使用sklearn庫的常用回歸類。

8、 學會超參優(yōu)化的常用方法,能夠設置最優(yōu)超參。

【授課時間】

2-3時間

(要根據(jù)學員的實際情況調整重點內容及時間)

【授課對象】

業(yè)務支持部、數(shù)據(jù)分析部、系統(tǒng)設計部、系統(tǒng)開發(fā)、網(wǎng)絡運維部等相關技術人員

【學員要求】

1、 每個學員自備一臺便攜機(必須)。

2、 便攜機中事先安裝好Python 3.9版本及以上。

3、 安裝好Numpy,Pandas,statsmodels,sklearn,scipy等常用庫。

注:講師現(xiàn)場提供分析的數(shù)據(jù)源。

 

【授課方式】

建模流程+ 案例演練 + 開發(fā)實踐 + 可視化呈現(xiàn)

采用互動式教學,圍繞業(yè)務問題,展開數(shù)據(jù)分析過程,全過程演練操作,讓學員在分析、分享、講授、總結、自我實踐過程中獲得能力提升。

課程大綱】

第一部分: 預測建模基礎

1、 數(shù)據(jù)建模六步法

選擇模型:基于業(yè)務選擇恰當?shù)臄?shù)據(jù)模型

屬性篩選:選擇對目標變量有顯著影響的屬性來建模

訓練模型:采用合適的算法,尋找到最合適的模型參數(shù)

評估模型:進行評估模型的質量,判斷模型是否可用

優(yōu)化模型:如果評估結果不理想,則需要對模型進行優(yōu)化

應用模型:如果評估結果滿足要求,則可應用模型于業(yè)務場景

2、 數(shù)據(jù)挖掘常用的模型

數(shù)值預測模型:回歸預測、時序預測等

分類預測模型:邏輯回歸、決策樹、神經網(wǎng)絡、支持向量機等

市場細分:聚類、RFM、PCA等

產品推薦:關聯(lián)分析、協(xié)同過濾等

產品優(yōu)化:回歸、隨機效用等

產品定價:定價策略/最優(yōu)定價等

3、 屬性篩選/特征選擇/變量降維

基于變量本身特征

基于相關性判斷

因子合并(PCA等)

IV值篩選(評分卡使用)

基于信息增益判斷(決策樹使用)

4、 訓練模型及實現(xiàn)算法

模型原理

算法實現(xiàn)

5、 模型評估

評估指標

評估方法

過擬合評估

6、 模型優(yōu)化

優(yōu)化模型:選擇新模型/修改模型

優(yōu)化數(shù)據(jù):新增顯著自變量

優(yōu)化公式:采用新的計算公式

7、 模型應用

模型解讀

模型部署

模型應用

8、 好模型是優(yōu)化出來的

 

第二部分: 回歸模型評估

1、 三個基本概念:SST、SSR、SSE

2、 三個方面評估:指標、方法、過擬合

3、 擬合程度指標

簡單判定系數(shù):

調整判定系數(shù):

4、 預測值誤差指標

平均絕對誤差:MAE

根均方差:RMSE

平均絕對誤差率:MAPE

5、 信息損失準則指標

赤池信息準則:AIC

貝葉斯信息準則:BIC

HQ信息準則:HQIC

6、 評估方法

原始評估法

留出法(Hold-Out)

交叉驗證法(k-fold cross validation)

自助采樣法(Bootstrapping)

7、 其它評估

過擬合評估:學習曲線

殘差評估:白噪聲評估

 

第三部分: 影響因素分析

問題:如何選擇合適的屬性來進行建模預測?如何做特征選擇/特征降維?

1、 屬性篩選/變量降維的常用方法

2、 影響因素分析常用方法

相關分析

方差分析

卡方檢驗

3、 相關分析(衡量變量間的線性相關性)

問題:這兩個屬性是否會相互影響?影響程度大嗎?

相關分析簡介

相關分析的三個種類

簡單相關分析

偏相關分析

相關系數(shù)的三種計算公式

Pearson相關系數(shù)

Spearman相關系數(shù)

Kendall相關系數(shù)

相關分析的假設檢驗

相關分析的四個基本步驟

演練:體重與腰圍的關系

演練:營銷費用會影響銷售額嗎

演練網(wǎng)齡與消費水平的關系

偏相關分析

偏相關原理:排除不可控因素后的兩變量的相關性

偏相關系數(shù)的計算公式

偏相關分析的適用場景

4、 方差分析(衡量類別變量與數(shù)據(jù)變量的相關性)

問題:哪些才是影響銷量的關鍵因素?主要因素是哪些?次要因素是哪些?

方差分析的應用場景

方差分析原理

方差分析前提:齊性檢驗

方差分析的三個種類

單因素方差分析

多因素方差分析

協(xié)方差分析

方差分析的四個步驟

分析結果解讀要點

演練終端擺放位置與終端銷量有關嗎

演練:客戶學歷對消費水平的影響分析

演練廣告形式和價格是影響終端銷量的關鍵因素嗎

演練營業(yè)員的性別、技能級別對產品銷量有影響嗎

演練:尋找影響產品銷量的關鍵因素

多因素方差分析原理

多因素方差分析的作用

多因素方差結果的解讀

演練:廣告形式、地區(qū)對銷量的影響因素分析

協(xié)方差分析原理

協(xié)方差分析的適用場景

演練:排除收入后,網(wǎng)齡對消費水平的影響大小分析

5、 列聯(lián)分析/卡方檢驗(兩類別變量的相關性分析)

卡方檢驗應用場景

交叉表與列聯(lián)表

計數(shù)值與期望值

卡方檢驗的原理

卡方檢驗的幾個計算公式

列聯(lián)表分析的適用場景

案例:套餐類型對客戶流失的影響分析

案例:學歷對業(yè)務套餐偏好的影響分析

案例:行業(yè)/規(guī)模對風控的影響分析

6、 屬性重要程度排序/篩選

7、 主成份分析(PCA)

因子分析的原理

因子個數(shù)如何選擇

如何解讀因子含義

案例:提取影響電信客戶流失的主成分分析

 

第四部分: 線性回歸模型

問題:如何預測產品的銷量/銷售金額?

1、 常用數(shù)值預測的模型

通用預測模型:回歸模型

2、 線性回歸應用場景

3、 線性回歸模型種類

一元線性回歸

多元線性回歸

4、 線性回歸建模過程

5、 帶分類變量的回歸建模

6、 回歸模型的質量評估

7、 回歸方程的解讀

第五部分: 回歸算法實現(xiàn)

1、 基本概念

損失函數(shù)

2、 普通最小二乘法OLS

數(shù)學推導

OLS存在的問題

3、 梯度下降算法

梯度概念

梯度下降/上升算法

批量梯度/隨機梯度/小批量梯度

學習率的影響

早期停止法

4、 牛頓法/擬牛頓法

泰勒公式(Taylor)

牛頓法(Newton)

擬牛頓法(Quasi-Newton)的優(yōu)化

DFP/BFGS/L-BFGS

5、 算法比較-優(yōu)缺點

 

第六部分: 回歸模型優(yōu)化

6、 回歸分析的基本原理

三個基本概念:總變差、回歸變差、剩余變差

方程的顯著性檢驗:是否可以做回歸分析?

因素的顯著性檢驗:自變量是否可用?

擬合優(yōu)度檢驗:回歸模型的質量評估?

理解標準誤差的含義:預測的準確性?

7、 欠擬合解決:多項式回歸

剔除離群值

剔除非顯著因素

非線性關系檢驗

相互作用檢驗

共線性檢驗

檢驗誤差項

案例:銷量預測模型優(yōu)化示例

8、 過擬合解決:正則項

嶺回歸(Ridge)

套索回歸Lasso

彈性網(wǎng)絡回歸(ElasticNet

9、 超參優(yōu)化

手工遍歷cross_val_score

交叉驗證RidgeCV/LassCV/ElasticNetCV

網(wǎng)格搜索GridSearchCV

隨機搜索RandomizedSearchCV

 

第七部分: 自定義模型

1、 自定義回歸模型

2、 模型參數(shù)最優(yōu)法方法

全局優(yōu)化/暴力破解brute

局部優(yōu)化fmin

有約束優(yōu)化minimize

3、 好模型都是優(yōu)化出來的

案例餐廳客流量進行建模及模型優(yōu)化

4、 基于回歸季節(jié)模型

季節(jié)性回歸模型的參數(shù)

相加模型

相乘模型

模型解讀/模型含義

案例美國航空旅客里程的季節(jié)性趨勢分析

5、 新產品預測與S曲線

產品累計銷量的S曲線模型

如何評估銷量增長的上限以及拐點

珀爾曲線

龔鉑茲曲線

案例預測IPAD的銷售增長拐點,以及銷量上限

第八部分: 案例實戰(zhàn)

1、 客戶消費金額預測模型

2、 房價預測模型及優(yōu)化

 

結束:課程總結問題答疑。

 
反對 0舉報 0 收藏 0
更多>與Python數(shù)據(jù)建模及模型優(yōu)化相關內訓課
企業(yè)家經營哲學與企業(yè)經營之道 高   效   執(zhí)   行   力 教練式經銷商管理 商業(yè)模式創(chuàng)新 創(chuàng)新思維管理應用訓練?—創(chuàng)造性解決問題 創(chuàng)新思維和有效執(zhí)行 微課的設計與制作 高效能主管風暴訓練營
傅一航老師介紹>傅一航老師其它課程
大數(shù)據(jù)產業(yè)現(xiàn)狀及應用創(chuàng)新 大數(shù)據(jù)挖掘工具:SPSS Modeler入門與提高 大數(shù)據(jù)挖掘工具: SPSS Statistics入門與提高 大數(shù)據(jù)建模與模型優(yōu)化實戰(zhàn)培訓 金融行業(yè)風險預測模型實戰(zhàn) 數(shù)說營銷——大數(shù)據(jù)營銷實戰(zhàn)培訓 大數(shù)據(jù)分析與挖掘綜合能力提升實戰(zhàn) 助力市場營銷與服務的數(shù)據(jù)分析實戰(zhàn)
網(wǎng)站首頁  |  關于我們  |  聯(lián)系方式  |  誠聘英才  |  網(wǎng)站聲明  |  隱私保障及免責聲明  |  網(wǎng)站地圖  |  排名推廣  |  廣告服務  |  積分換禮  |  網(wǎng)站留言  |  RSS訂閱  |  違規(guī)舉報  |  京ICP備11016574號-25