说明：这是一个机器学习实战项目（附带数据+代码），如需数据+完整代码可以直接到文章最后获取。

 1.定义问题

在电子商务领域，现在越来越多的基于历史采购数据、订单数据等，进行销量的预测；本模型也是基于电商的一些历史数据进行销量的建模、预测。

2.获取数据

本数据是模拟数据，分为两部分数据：

训练数据集：data_train.xlsx

测试数据集：data_test.xlsx

在实际应用中，根据自己的数据进行替换即可。

特征数据：x1、x2、x3、x4、x5、x6、x7、x8、x9、x10

标签数据：y

3.数据预处理 

1）数据描述性分析：

data_train.describe()

 2）数据完整性、数据类型查看：

data_train.info()

 3）数据缺失值个数：

4）缺失值数据比例：

5）缺失值填充：这里通过业务上分析：填充0比较合适：

6）哑变量处理

data_train.loc[data_train['x10'] == '类别1', 'x10'] = 1
data_train.loc[data_train['x10'] == '类别2', 'x10'] = 2
a = pd.get_dummies(data_train['x10'], prefix="x10")
frames = [data_train, a]
data_train = pd.concat(frames, axis=1)

特征变量中x10的数值为文本类型：类型1、类型2，不符合机器学习数据要求，需要进行哑特征处理，变为0 1数值。

处理后，数据如下：

 4.探索性数据分析

1）目标数据销量分析：

print(data_train['y'].describe())

 

 2）特征变量x1和标签变量y关系的散点图：

var = 'x1'
data = pd.concat([data_train['y'], data_train[var]], axis=1)
data.plot.scatter(x=var, y='y')

 3）特征变量x5和标签变量y关系的散点图：

var0 = 'x5'
data0 = pd.concat([data_train['y'], data_train[var0]], axis=1)
data0.plot.scatter(x=var0, y='y')

 

4）相关性分析

 5.特征工程 

1)特征数据和标签数据拆分，y为标签数据，除y之外的为特征数据；

2)训练集拆分，分为训练集和验证集，80%训练集和20%验证集；

特征工程还有很多其他内容，例如数据标准化、降维等等，这个根据实际情况来，本次建模不需要。

6.机器建模 

1)建立随机森林回归模型，模型参数如下：

编号	参数
1	n_estimators=100
2	random_state=1
3	n_jobs=-1

其它参数根据具体数据，具体设置。

forest = RandomForestRegressor(
    n_estimators=100,
    random_state=1,
    n_jobs=-1)
forest.fit(X_train, Y_train)

2)验证集结果输出与比对：一方面是生成excel表格数据；一方面是生成折线图。

plt.figure()
plt.plot(np.arange(1000), Y_validation[:1000], "go-", label="True value")
plt.plot(np.arange(1000), y_validation_pred[:1000], "ro-", label="Predict value")
plt.title("True value And Predict value")
plt.legend()

3)生成决策树

with open('./wine.dot','w',encoding='utf-8') as f:
    f=export_graphviz(pipe.named_steps['regressor'].estimators_[0], out_file=f)

由于树比较多 一下子全部转为图片 导致图片看不清晰，所以生成的格式为.dot格式，大家可以根据具体需要把dot转为图片。

不分展示：总共200多页。

7.模型评估

1)评估指标主要采用准确率分值、MAE、MSE、RMSE

score = forest.score(X_validation, Y_validation)
print('随机森林模型得分： ', score)
print('Mean Absolute Error:', metrics.mean_absolute_error(Y_validation, y_validation_pred))
print('Mean Squared Error:', metrics.mean_squared_error(Y_validation, y_validation_pred))
print('Root Mean Squared Error:', np.sqrt(metrics.mean_squared_error(Y_validation, y_validation_pred)))

编号	评估指标名称	评估指标值
1	准确率分值	0.9769
2	MAE	9.9431
3	MSE	2625.5679
4	RMSE	51.2402

通过上述表格可以看出，此随机森林模型效果良好。

2)模型特征重要性：一方面是输出到excel；一方面是生成柱状图。

col = list(X_train.columns.values)
importances = forest.feature_importances_
x_columns = ['x1', 'x2', 'x3', 'x4', 'x5', 'x6', 'x7', 'x8', 'x9', 'x10_类别1', 'x10_类别2']
# print("重要性：", importances)
# 返回数组从大到小的索引值
indices = np.argsort(importances)[::-1]
list01 = []
list02 = []
for f in range(X_train.shape[1]):
    # 对于最后需要逆序排序，我认为是做了类似决策树回溯的取值，从叶子收敛
    # 到根，根部重要程度高于叶子。
    print("%2d) %-*s %f" % (f + 1, 30, col[indices[f]], importances[indices[f]]))
    list01.append(col[indices[f]])
    list02.append(importances[indices[f]])

from pandas.core.frame import DataFrame

c = {"columns": list01, "importances": list02}
data_impts = DataFrame(c)
data_impts.to_excel('data_importances.xlsx')

importances = list(forest.feature_importances_)
feature_list = list(X_train.columns)

feature_importances = [(feature, round(importance, 2)) for feature, importance in zip(feature_list, importances)]
feature_importances = sorted(feature_importances, key=lambda x: x[1], reverse=True)

import matplotlib.pyplot as plt

x_values = list(range(len(importances)))
print(x_values)
plt.bar(x_values, importances, orientation='vertical')
plt.xticks(x_values, feature_list, rotation=6)
plt.ylabel('Importance')
plt.xlabel('Variable')
plt.title('Variable Importances')

8.实际应用

根据最近一周的特征数据，来预测销量(这里的数据，是提前准备好的没有标签的数据)。预测结果如下；

可以根据预测的销量进行备货。

# 数据缺失值个数
total = data_train.isnull().sum().sort_values(ascending=False)
# 缺失值数据比例
percent = (data_train.isnull().sum() / data_train.isnull().count()).sort_values(ascending=False)
print(total)
print(percent)


# 本次机器学习项目实战所需的资料，项目资源如下：


链接：https://pan.baidu.com/s/1_u0XJKK1RTYLJf82WugmAA 
提取码：bx3h


# 缺失值填充
data_train['x1'] = data_train['x1'].fillna(0)
print(data_train.isnull().sum().max())

# 哑变量处理
data_train.loc[data_train['x10'] == '类别1', 'x10'] = 1
data_train.loc[data_train['x10'] == '类别2', 'x10'] = 2
a = pd.get_dummies(data_train['x10'], prefix="x10")
frames = [data_train, a]
data_train = pd.concat(frames, axis=1)
data_train = data_train.drop(columns=['x10'])
data_train.to_excel('data_train_yucl.xlsx')