एमएल निर्णय के साथ विपणन

बैकलॉग प्राथमिकताकरण रणनीतियों के बीच चयन की ओर जाता है। हर एक का अपना मैट्रिक्स है। सबसे महत्वपूर्ण एक चुनने की आवश्यकता है। एमएल स्कोरिंग एक ऐसा समाधान है जब गैर रेखीयता मौजूद है और अर्थव्यवस्था गैर-अस्पष्ट है। परिचय यहाँ देखें। दो समूह माने जाते हैं। पहले (I) वेब रूपांतरण {उछाल दर, सूक्ष्म रूपांतरण, समय, गहराई} से मेल खाती है। दूसरा (II) ऑर्गेनिक चैनल {विज़िट, व्यूअर, व्यू} से नए विज़िटर के आकर्षण से मेल खाता है। लक्ष्य फ़ंक्शन प्रति दिन कई वाणिज्यिक ऑफ़र हैं। कार्य इष्टतम सरल रणनीति प्राप्त करने के लिए आयाम को कम करना है। इस मामले में ऑनलाइन / ऑफलाइन बी 2 बी चैनलों को अलग नहीं किया जा सकता है: बाजार पतला है और नए ग्राहकों को दोनों चैनलों के 'ब्रांड' के बारे में कुछ जानकारी हो सकती है। इसलिए सांख्यिकीय मूल्यांकन इस मामले में प्रत्यक्ष सीजेएम ट्रैकिंग की तुलना में वास्तविकता के करीब है।

दिए गए उदाहरण पहनावा मतदान में, लक्ष्य और आयाम में कमी की तकनीकों को शामिल करना शामिल है। मैट्रिक्स के दो समूहों पर विचार किया जाता है। सुविधाएँ और लक्ष्य को सामान्यीकृत किया जाता है [0,1] अंतराल। दैनिक नमूने के साथ अपेक्षाकृत छोटे डेटा का उपयोग किया जाता है: रिकॉर्डिंग के चार साल। वेब मेट्रिक्स को पायथन एपीआई के माध्यम से विश्लेषणात्मक मंच से पार्स किया गया है। बिक्री डेटा CRM से प्राप्त होता है। सहसंबंध मैट्रिक्स से पता चलता है कि परिवर्तित ऑफ़र और वेब मैट्रिक्स के बीच कोई महत्वपूर्ण संबंध नहीं है: रैखिक प्रतिगमन लागू नहीं किया जा सकता है।



नॉनलाइनियर वोटिंग एस्टीमेटर्स का उपयोग किया जाता है: KNeighborsClassifier, Decision Tree, Ada Boost, Gradient Boosting, Support वेक्टर Classifier, Naive Bayes और Multi-layer Perceptron तीन छिपी परतों के साथ। हाइपर ट्यूनिंग केवल KNeighborsClassifier पर लागू होती है। रैखिक {उच्च पूर्वाग्रह} और nonlinear {उच्च विचरण} मॉडल माना जाता है। मॉडल सटीकता / बिखरने के संबंध में तुलनीय हैं। छोटे बिखरने का अर्थ है उच्च स्थिरता। सबसे पहले हम इनपुट विशेषताओं के रूप में सभी मैट्रिक्स का उपयोग करते हैं। यह मॉडल सटीकता और 96% की सटीकता मंझला के 0.11 बिखरने देता है:



दूसरा प्रयोग फलस्वरूप आयाम को कम करने के लिए मैट्रिक्स को फेंकने को मानता है। मीट्रिक को फेंक दिया जाता है, यदि उसका निष्कासन सटीकता का न्यूनतम ड्रा-डाउन देता है। अंत में एक मीट्रिक बचा है - सत्रों की संख्या। इस मामले में सटीकता अभी भी 96% है, लेकिन पहनावा मॉडल का बिखरना कम है: 0.01।



निष्कर्ष: अन्य सुविधाओं द्वारा कोई अतिरिक्त जानकारी नहीं दी गई है। ट्रैफ़िक की भविष्यवाणी के लिए सबसे अधिक महत्व है और अधिक स्थिर भविष्यवाणी मॉडल से मेल खाती है। गैर-रैखिकता अपरिहार्य होने पर निर्णय लेने में प्रस्तावित विधि को सामान्यीकृत किया जा सकता है।

जुपिटर कोड की कुछ शांति यहां दी गई है ।

कर्म के लिए धन्यवाद