「机器学习」案例-通过广告投放预测产品销量
in 机器学习 with 0 comment

「机器学习」案例-通过广告投放预测产品销量

in 机器学习 with 0 comment

机器学习入门之线性回归

你所在的公司在电视上做产品广告, 收集到了电视广告投入x(以百万为单位)与产品销售量y(以亿为单位)的数据. 你作为公司的数据科学家, 希望通过分析这些数据, 了解电视广告投入x(以百万为单位)与产品销售量y的关系.

假设x与y的之间的关系是线性的, 也就是说 y = ax + b. 通过线性回归(Linear Regression), 我们就可以得知 a 和 b 的值. 于是我们在未来做规划的时候, 通过电视广告投入x, 就可以预测产品销售量y, 从而可以提前做好生产和物流, 仓储的规划. 为客户提供更好的服务.

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

sklearn为机器学习库,此库包含了很多线性回归模型,此案例使用sklearn库里的LinearRegression模型

data = pd.read_csv("data/Advertising.csv")
data.head()
TV sales
0 230.1 22.1
1 44.5 10.4
2 17.2 9.3
3 151.5 18.5
4 180.8 12.9
data.columns
Index(['TV', 'sales'], dtype='object')

通过数据可视化分析数据

# data数据可视化
plt.figure(figsize=(16, 8))
plt.scatter(data['TV'], data['sales'], c ='black')
plt.xlabel("Money spent on TV ads")
plt.ylabel("Sales")
plt.show()

output_8_0.png

通过画出的图表可看出,数据存在着线性关系
随着电视广告成本的上升,销售量也随着上升

训练线性回归模型

# 将数据转换成二维矩阵
X = data['TV'].values.reshape(-1,1)
y = data['sales'].values.reshape(-1,1)

# 模型定义
reg = LinearRegression()
# 模型训练(拟合数据)
reg.fit(X, y)
LinearRegression(copy_X=True, fit_intercept=True, n_jobs=None, normalize=False)
print('a = {:.5}'.format(reg.coef_[0][0]))
print('b = {:.5}'.format(reg.intercept_[0]))

print("线性模型为: Y = {:.5}X + {:.5} ".format(reg.coef_[0][0], reg.intercept_[0]))
a = 0.047537
b = 7.0326
线性模型为: Y = 0.047537X + 7.0326 

可视化训练好的线性回归模型

predictions = reg.predict(X)

plt.figure(figsize=(16, 8))
plt.scatter(data['TV'], data['sales'], c ='black')
plt.plot(data['TV'], predictions,c ='blue', linewidth=2)
plt.xlabel("Money spent on TV ads")
plt.ylabel("Sales")
plt.show()

output_14_0.png

做预测

假设公司希望在下一个季度投一亿元的电视广告, 那么预期的产品销量会是多少呢?

predictions = reg.predict([[100]])
print('投入一亿元的电视广告, 预计的销售量为{:.5}亿'.format( predictions[0][0]) )
投入一亿元的电视广告, 预计的销售量为11.786亿