-
Notifications
You must be signed in to change notification settings - Fork 0
/
Classification & Decision Tree.py
265 lines (206 loc) · 13.4 KB
/
Classification & Decision Tree.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
################################ Machine Learning Classification & Desisions Tree ####################################
import os; os.chdir('C:/Users/marvin/Desktop/Python')
#On modélise le phénomene d'achat afin de de predire quels visiteurs sont susceptibles d'efectuer une transaction
#################################################### SQL BigQuery ###################################################
import numpy as np ; import pandas as pd ; from google.cloud import bigquery
client = bigquery.Client.from_service_account_json(
json_credentials_path='data_pipeline-bbc9aec8eae9.json',
project='data_pipeline')
#Caractéritiques de chaque transaction : device de l'achat, systeme d'exploitation, source campaign, source trafic,
#continent, produits et catégorie produit, nombre de visites sur produits et catégorie produit achetés avant achat
query = """
WITH
transactions AS (
SELECT hits.transaction.transactionId AS ID_Transaction, device.deviceCategory,device.operatingSystem,
trafficSource.campaign, trafficSource.medium, geoNetwork.continent, fullvisitorid , hp.v2ProductName AS Product,
hp.v2ProductCategory AS Product_Category,IFNULL(SUM(hits.transaction.transactionRevenue/1000000),0) AS CA,
FROM `bigquery-public-data.google_analytics_sample.ga_sessions_20161201` AS ga,
UNNEST(ga.hits) AS hits, UNNEST(hits.product) AS hp
GROUP BY ID_Transaction, device.deviceCategory,device.operatingSystem,trafficSource.campaign,
trafficSource.medium, geoNetwork.continent, fullvisitorid , Product, Product_Category
ORDER BY CA DESC,ID_Transaction ),
visits_products AS (
SELECT fullvisitorid, hp.v2ProductName AS Product, SUM( totals.visits) AS Product_Visits
FROM `bigquery-public-data.google_analytics_sample.ga_sessions_*` AS ga,UNNEST(ga.hits) AS hits,
UNNEST(hits.product) AS hp WHERE _TABLE_SUFFIX <= '20161201'
GROUP BY fullvisitorid, Product ORDER BY fullvisitorid, Product_Visits DESC ),
visits_products_category AS (
SELECT fullvisitorid, hp.v2ProductCategory AS Product_Category, SUM( totals.visits) Product_Category_Visits
FROM `bigquery-public-data.google_analytics_sample.ga_sessions_*` AS ga,UNNEST(ga.hits) AS hits,
UNNEST(hits.product) AS hp WHERE _TABLE_SUFFIX <= '20161201'
GROUP BY fullvisitorid, Product_Category ORDER BY fullvisitorid, Product_Category_Visits DESC )
SELECT ID_Transaction, deviceCategory, operatingSystem, campaign, medium, continent,
transactions.Product, transactions.Product_Category, Product_Visits, Product_Category_Visits,
CASE WHEN CA = 0 THEN 0 ELSE 1 END AS Transaction
FROM transactions LEFT JOIN visits_products
ON transactions.fullvisitorid = visits_products.fullvisitorid AND transactions.Product = visits_products.Product
LEFT JOIN visits_products_category
ON transactions.fullvisitorid = visits_products_category.fullvisitorid
AND transactions.Product_Category = visits_products_category.Product_Category
ORDER BY CA DESC"""
query_results = client.query(query) ; query_results = query_results.result()
#Résutats de la reqête
ID_Transaction = [] ; deviceCategory = [] ; operatingSystem = [] ; campaign = [] ; medium = [] ;
continent = [] ; Product = [] ; Product_Category = [] ; Product_Visits = [] ; Product_Category_Visits = []
Transaction = [] ;
for row in query_results:
ID_Transaction.append(row[0])
deviceCategory.append(row[1])
operatingSystem.append(row[2])
campaign.append(row[3])
medium.append(row[4])
continent.append(row[5])
Product.append(row[6])
Product_Category.append(row[7])
Product_Visits.append(row[8])
Product_Category_Visits.append(row[9])
Transaction.append(row[10])
transactions = {"ID_Transaction":ID_Transaction,
"deviceCategory":deviceCategory,
"operatingSystem":operatingSystem,
"campaign":campaign,
"medium":medium,
"continent":continent,
"Product":Product,
"Product_Category":Product_Category,
"Product_Visits":Product_Visits,
"Product_Category_Visits":Product_Category_Visits,
"Transaction":Transaction}
transactions = pd.DataFrame(transactions)
###################################################### Train #########################################################
#le modele de classsification s'applique avec des variables numériques
#il faut recoder les variables catégorielles en effectuant un encodage one hot,
#chaque modalité devient une variable qui prend 1 si l'individu la possede 0 sinon
col = list(transactions.columns); del col[0]; del col[7]; del col[7]
transactions_cat = pd.DataFrame(np.c_[transactions.iloc[:,1:8],transactions.iloc[:,[10]]], columns = col)
transactions_cat_one_hot = pd.get_dummies(transactions_cat[transactions_cat.columns[:-1]])
#Il doit y avoir exactement les mêmes modalités entre les données d'entrainement et celles de predictions.
#Dans l'anticipation de la prediction on ajoute les modalités qui pouraient ne pas de trouver dans le
#jeu d'entrainement mais figurer celui de prediction (un produit jamais acheté mais figurant tout de meme sur
#le site, un visiteur d'un nouvau continent ou source de calpagne). On y applique ensuite également un encodage
#one hot et elles prendront donc toutes la valeur 0 dans le jeu d´entrainement et 1 dans celui de prediction
#si elles s'y trouvent.
modalites = pd.read_csv('segments.csv', sep=",") ; modalites_cat_one_hot = pd.get_dummies(modalites)
col_1 = list(modalites_cat_one_hot.columns) ; col_2 = list(transactions_cat_one_hot.columns)
#modalité totale ; #modalité présente
col_3 = [value for value in col_1 if value not in col_2] ; col_4 = col_2 + col_3
#modalité absente ; #modalité totale = #modalité présente + #modalité absente
mod_add = pd.DataFrame( 0, columns = col_3, index=range(0,41222) )
#On y ajoute les variables numériques
col = col_4 ; col.append('Products_Visits') ; col.append('Products_Category_Visits') ; col.append('transaction')
transactions_class = pd.DataFrame(np.c_[transactions_cat_one_hot.iloc[:,0:416], mod_add.iloc[:,0:357],
transactions.iloc[:,8:10], transactions.iloc[:,[10]]], columns = col)
#on découpe la base en 2 avec la meme proprtion de modalité
#sur la variable à modeliser dans la base train que dans la base test
from sklearn.model_selection import train_test_split
train, test = train_test_split(transactions_class, random_state=1, stratify = transactions_class.transaction)
print(train.transaction.value_counts(normalize=True)) ; print(test.transaction.value_counts(normalize=True))
#construction du modèle
from sklearn.tree import DecisionTreeClassifier ; arbreFirst = DecisionTreeClassifier()
X = train[train.columns[:-1]] ; y = train.transaction ; arbreFirst.fit(X, y)
#Evaluation du modele
eval_test = pd.DataFrame(arbreFirst.predict(test[train.columns[:-1]]))
#matrice de confusion
from sklearn import metrics ; metrics.confusion_matrix(test.transaction,eval_test )
print(metrics.classification_report(test.transaction,eval_test))
#1-recall = tx de faux pos ou tx de faux neg (ici 0% de faux negatifs mais 99% de faux positifs)
#taux de reconnaissance – (vrai positf + vrai négatif)/ effectif total
metrics.accuracy_score(test.transaction,eval_test )
#taux d'erreur – (faux positf + faux négatif)/ effectif total
1.0 - metrics.accuracy_score(test.transaction,eval_test )
#sensibilité est la capacité du modèle à prédire un positif quand la donnée est réellement positive
#Faux positif - sensibilité (2eme ligne)
metrics.recall_score(test.transaction,eval_test,pos_label=1)
#spécificité est la capacité du modèle à prédire un négatif lorsqu'il y a vraiment un négatif.
#Faux négatif - spécificité 1ere ligne)
metrics.recall_score(test.transaction,eval_test ,pos_label=0)
#précision – 2eme colonne
metrics.precision_score(test.transaction,eval_test,pos_label=1)
#F1-score : moyenne harmonique entre rappel et précision :
metrics.f1_score(test.transaction,eval_test,pos_label=1)
#arbre de decicision
from sklearn.tree import plot_tree
plot_tree(arbreFirst,feature_names = list(X.columns),filled=True)
#affichage plus grand pour une meilleure lisibilité
import matplotlib.pyplot as plt
plt.figure(figsize=(150,200))
plot_tree(arbreFirst,feature_names = list(X.columns),filled=True)
plt.show()
#importance des variables
Importance_Var = pd.DataFrame({"Variable":X.columns,"Importance":arbreFirst.feature_importances_
}).sort_values(by="Importance",ascending=False)
#On voit ici que la variable plus importante dans le fait d´effectuer une transaction est
#le nombre de visites sur le produit acheté
#Méthode 2 xgboost
from xgboost import XGBClassifier ; from sklearn.preprocessing import MinMaxScaler ; import xgboost as xgb
#construction du modèle
boost = XGBClassifier() ; boost.fit(X, y)
#évaluation modèle
p_boost = boost.predict(X)
print ("Score Train -->", round(boost.score(X, y) *100,2), " %")
#importance des variables
xgb.plot_importance(boost)
#arbre de decicision
xgb.to_graphviz(boost, num_trees=2)
##################################################### Prediction ######################################################
#même si ce modèle n'est pas trés effeicace on va toute de même l'utiliser pour prédire de futures transactions
query = """
WITH visitors AS (
SELECT DISTINCT fullvisitorid, device.deviceCategory, device.operatingSystem,
trafficSource.campaign, trafficSource.medium, geoNetwork.continent,
FROM `bigquery-public-data.google_analytics_sample.ga_sessions_*` AS ga,
UNNEST(ga.hits) AS hits, UNNEST(hits.product) AS hp
WHERE _TABLE_SUFFIX BETWEEN '20161201' AND '20161231' ORDER BY fullvisitorid),
visits_products AS (
SELECT fullvisitorid, hp.v2ProductName AS Products, SUM(totals.visits) AS Products_Visits
FROM `bigquery-public-data.google_analytics_sample.ga_sessions_*` AS ga,
UNNEST(ga.hits) AS hits, UNNEST(hits.product) AS hp
WHERE _TABLE_SUFFIX BETWEEN '20161201' AND '20161231'
GROUP BY fullvisitorid, Products ORDER BY fullvisitorid, Products_Visits DESC ),
visits_products_category AS (
SELECT fullvisitorid, hp.v2ProductCategory AS Products_Category, SUM(totals.visits) AS Products_Category_Visits
FROM `bigquery-public-data.google_analytics_sample.ga_sessions_*` AS ga,
UNNEST(ga.hits) AS hits, UNNEST(hits.product) AS hp
WHERE _TABLE_SUFFIX BETWEEN '20161201' AND '20161231'
GROUP BY fullvisitorid, Products_Category ORDER BY fullvisitorid, Products_Category_Visits DESC )
SELECT visitors.fullvisitorid, deviceCategory, operatingSystem, campaign, medium, continent,
Products, Products_Category,Products_Visits, Products_Category_Visits, FROM visitors
LEFT JOIN visits_products USING (fullvisitorid)
LEFT JOIN visits_products_category USING (fullvisitorid)"""
query_results = client.query(query) ; query_results = query_results.result()
#Résutats de la reqête
fullvisitorid = [] ; deviceCategory = [] ; operatingSystem = [] ; campaign = [] ; medium = [] ; continent = []
Product = [] ; Product_Category = [] ; Product_Visits = [] ; Product_Category_Visits = [] ; Transaction = []
for row in query_results:
fullvisitorid.append(row[0])
deviceCategory.append(row[1])
operatingSystem.append(row[2])
campaign.append(row[3])
medium.append(row[4])
continent.append(row[5])
Product.append(row[6])
Product_Category.append(row[7])
Product_Visits.append(row[8])
Product_Category_Visits.append(row[9])
future_transactions = {"fullvisitorid":fullvisitorid, "deviceCategory":deviceCategory,
"operatingSystem":operatingSystem, "campaign":campaign, "medium":medium,
"continent":continent, "Product":Product, "Product_Category":Product_Category,
"Product_Visits":Product_Visits, "Product_Category_Visits":Product_Category_Visits}
future_transactions = pd.DataFrame(future_transactions)
col = list(future_transactions.columns) ; del col[0];del col[7];del col[7]
future_transactions_cat = pd.DataFrame(np.c_[future_transactions.iloc[:,1:8]],
columns = col, index = future_transactions['fullvisitorid'])
#encodage one hot des variable catégorielles
future_transactions_cat_one_hot = pd.get_dummies(future_transactions_cat)
#On ajoute également les modalités qui ne figureraient pas dans le jeu de prediction mais qui étaient presentes
#dans celui d´entrainement. Avec l´encodage one hot elles prendront cette fois toutes pour valeur 0.
col_1 = list(modalites_cat_one_hot.columns) ; col_2 = list(future_transactions_cat_one_hot.columns)
col_3 = [value for value in col_1 if value not in col_2] ; col_4 = col_2 + col_3
mod_add = pd.DataFrame(0, columns = col_3, index=range(0,5680650))
#On y ajoute les variables numériques
col = col_4 ; col.append('Products_Visits') ; col.append('Products_Category_Visits')
future_transactions_class = pd.DataFrame(np.c_[future_transactions_cat_one_hot.iloc[:,0:489],mod_add.iloc[:,0:284],
future_transactions.iloc[:,8:10]],
columns = col, index = future_transactions['fullvisitorid'])
#On qpplique le modèle pour prédire quels visiteurs sont le plus suceptibles d'effectuer une transaction
future_transactions_class['transactions_predict'] = arbreFirst.predict(future_transactions_class)