使用機器學習產生的預測性模型來判斷傾向分數
使用查詢服務，您可以善用機器學習平台上建置的預測模型（例如傾向分數）來分析Experience Platform資料。
本指南說明如何使用查詢服務將資料傳送至您的機器學習平台，以便在運算式筆記本中訓練模型。 訓練好的模型可套用至使用SQL的資料，以預測客戶每次造訪的購買傾向。
快速入門
在此過程中，您需要訓練機器學習模型，本檔案假設您具備一或多個機器學習環境的工作知識。
此範例使用Jupyter Notebook作為開發環境。 雖然有許多可用選項，但建議使用Jupyter Notebook，因為它是運算需求低的開放原始碼Web應用程式。 可從官方網站🔗下載。
如果您尚未這樣做，請依照步驟連線 Jupyter Notebook Adobe Experience Platform查詢服務，然後再繼續本指南。
此範例中使用的程式庫包括：
python=3.6.7
psycopg2
sklearn
pandas
matplotlib
numpy
tqdm
從Platform將分析資料表匯入Jupyter Notebook import-analytics-tables
若要產生傾向分數模型，必須將儲存在Platform中的分析資料投影匯入Jupyter Notebook。 從連線至查詢服務的Python 3 Jupyter Notebook，以下命令會從虛擬服裝商店Luma匯入客戶行為資料集。 使用Experience Data Model (XDM)格式儲存Platform資料時，必須產生符合結構描述結構的範例JSON物件。 請參閱檔案，瞭解如何產生範例JSON物件的說明。
輸出會顯示Jupyter Notebook儀表板中Luma行為資料集之所有欄的表格化檢視。
準備資料以進行機器學習 prepare-data-for-machine-learning
必須識別目標欄才能訓練機器學習模型。 由於此使用案例的目標是購買傾向，因此從Luma結果中選擇analytic_action欄作為目標欄。 值productPurchase是客戶購買的指標。 purchase_value和purchase_num欄也會移除，因為它們與產品購買動作直接相關。
執行這些動作的指令如下：
#define the target label for prediction
df['target'] = (df['analytic_action'] == 'productPurchase').astype(int)
#remove columns that are dependent on the label
df.drop(['analytic_action','purchase_value'],axis=1,inplace=True)
接下來，必須將Luma資料集中的資料轉換為適當的表示方式。 需要兩個步驟：
- 將代表數字的欄轉換為數值欄。 若要執行此動作，請明確轉換
dataframe中的資料型別。 - 也將分類欄轉換為數值欄。
#convert columns that represent numbers
num_cols = ['purchase_num', 'value_cart', 'value_lifetime']
df[num_cols] = df[num_cols].apply(pd.to_numeric, errors='coerce')
一種稱為 一個熱編碼 的技術可用來轉換分類資料變數，以便與機器和深度學習演演算法搭配使用。 這進而可改善預測以及模型的分類準確性。 使用Sklearn程式庫代表個別欄中的每個類別值。
from sklearn.preprocessing import OneHotEncoder
#get the categorical columns
cat_columns = list(set(df.columns) - set(num_cols + ['target']))
#get the dataframe with categorical columns only
df_cat = df.loc[:,cat_columns]
#initialize sklearn's OneHotEncoder
enc = OneHotEncoder(handle_unknown='ignore')
#fit the data into the encoder
enc.fit(df_cat)
#define OneHotEncoder's columns names
ohc_columns = [[c+'='+c_ for c_ in cat] for c,cat in zip(cat_columns,enc.categories_)]
ohc_columns = [item for sublist in ohc_columns for item in sublist]
#finalize the data input to the ML models
X = pd.DataFrame( np.concatenate((enc.transform(df_cat).toarray(),df[num_cols]),axis=1),
columns = ohc_columns + num_cols)
#define target column
y = df['target']
定義為X的資料會以表格形式顯示，如下所示：
現在機器學習的必要資料已可供使用，它可符合Python的sklearn資料庫中預先設定的機器學習模型。 Logistics Regression用於訓練傾向性模型，並可讓您檢視測試資料的準確性。 在此案例中，約佔85%。
用於估計機器學習演演算法效能的Logistic Regression演演算法和訓練測試分割方法會匯入下列程式碼區塊中：
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.33, random_state=42)
clf = LogisticRegression(max_iter=2000, random_state=0).fit(X_train, y_train)
print("Test data accuracy: {}".format(clf.score(X_test, y_test)))
測試資料的準確度為0.8518518518518519。
透過使用物流回歸，您可以視覺化購買原因，並依依依遞減順序的排名重要性來排序決定傾向的功能。 第一欄表示導致購買行為的較高原因。 後一欄會指出不會導致購買行為的因素。
將結果視覺化為兩個長條圖的程式碼如下：
from matplotlib import pyplot as plt
#get feature importance as a sorted list of columns
feature_importance = np.argsort(-clf.coef_[0])
top_10_features_purchase_names = X.columns[feature_importance[:10]]
top_10_features_purchase_values = clf.coef_[0][feature_importance[:10]]
top_10_features_not_purchase_names = X.columns[feature_importance[-10:]]
top_10_features_not_purchase_values = clf.coef_[0][feature_importance[-10:]]
#plot the figures
fig, (ax1, ax2) = plt.subplots(1, 2,figsize=(10,5))
ax1.bar(np.arange(10),top_10_features_purchase_values)
ax1.set_xticks(np.arange(10))
ax1.set_xticklabels(top_10_features_purchase_names,rotation = 90)
ax1.set_ylim([np.min(clf.coef_[0])-0.1,np.max(clf.coef_[0])+0.1])
ax1.set_title("Top 10 features to define \n a propensity to purchase")
ax2.bar(np.arange(10),top_10_features_not_purchase_values, color='#E15750')
ax2.set_xticks(np.arange(10))
ax2.set_xticklabels(top_10_features_not_purchase_names,rotation = 90)
ax2.set_ylim([np.min(clf.coef_[0])-0.1,np.max(clf.coef_[0])+0.1])
ax2.set_title("Top 10 features to define \n a propensity to NOT purchase")
plt.show()
結果的垂直長條圖視覺效果如下所示：
從長條圖上可分辨出數個模式。 該管道的銷售點(POS)和作為補助的電話主題是決定購買行為的最重要因素。 雖然投訴和發票等通話主題是定義非購買行為的重要角色。 這些是可量化的可操作深入分析，行銷人員可運用這些深入分析進行行銷活動，以解決購買這些客戶的傾向。
使用查詢服務來套用經過訓練的模型 use-query-service-to-apply-trained-model
建立經過訓練的模型後，必須將其套用至Experience Platform中保留的資料。 若要這麼做，必須將機器學習管道的邏輯轉換為SQL。 此轉變的兩個主要元件如下：
-
首先，SQL必須取代Logistics Regression模組，才能取得預測標籤的機率。 物流回歸建立的模型產生回歸模型
y = wX + c，其中權重w和截距c是模型的輸出。 SQL功能可用來將權重相乘以獲得機率。 -
其次，在Python中以一個熱編碼完成的工程程式也必須合併到SQL中。 例如，在原始資料庫中，我們有
geo_county欄可儲存縣，但該欄已轉換為geo_county=Bexar、geo_county=Dallas、geo_county=DeKalb。 下列SQL陳述式執行相同的轉換，其中w1、w2和w3可以由Python中從模型學習到的權重替代：
SELECT CASE WHEN geo_state = 'Bexar' THEN FLOAT(w1) ELSE 0 END AS f1,
CASE WHEN geo_state = 'Dallas' THEN FLOAT(w2) ELSE 0 END AS f2,
CASE WHEN geo_state = 'Bexar' THEN FLOAT(w3) ELSE 0 END AS f3,
若是數值功能，您可以直接用權數乘以欄，如下面的SQL陳述式所示。
SELECT FLOAT(purchase_num) * FLOAT(w4) AS f4,
取得數字後，可將其移轉到sigmoid函式，其中物流回歸演演算法產生最終預測。 在下列陳述式中，intercept是回歸中的截距。
SELECT CASE WHEN 1 / (1 + EXP(- (f1 + f2 + f3 + f4 + FLOAT(intercept)))) > 0.5 THEN 1 ELSE 0 END AS Prediction;
端對端範例
在您有兩個資料行（c1和c2）的情況下，如果c1有兩個類別，則會使用下列函式來訓練Logistic Regression演演算法：
y = 0.1 * "c1=category 1"+ 0.2 * "c1=category 2" +0.3 * c2+0.4
SQL中的對等項如下：
SELECT
CASE WHEN 1 / (1 + EXP(- (f1 + f2 + f3 + FLOAT(0.4)))) > 0.5 THEN 1 ELSE 0 END AS Prediction
FROM
(
SELECT
CASE WHEN c1 = 'Cateogry 1' THEN FLOAT(0.1) ELSE 0 END AS f1,
CASE WHEN c1 = 'Cateogry 2' THEN FLOAT(0.2) ELSE 0 END AS f2,
FLOAT(c2) * FLOAT(0.3) AS f3
FROM TABLE
)
自動化翻譯程式的Python程式碼如下：
def generate_lr_inference_sql(ohc_columns, num_cols, clf, db):
features_sql = []
category_sql_text = "case when {col} = '{val}' then float({coef}) else 0 end as f{name}"
numerical_sql_text = "float({col}) * float({coef}) as f{name}"
for i, (column, coef) in enumerate(zip(ohc_columns+num_cols, clf.coef_[0])):
if i < len(ohc_columns):
col,val = column.split('=')
val = val.replace("'","%''%")
sql = category_sql_text.format(col=col,val=val,coef=coef,name=i+1)
else:
sql = numerical_sql_text.format(col=column,coef=coef,name=i+1)
features_sql.append(sql)
features_sum = '+'.join(['f{}'.format(i) for i in range(1,len(features_sql)+1)])
final_sql = '''
select case when 1/(1 + EXP(-({features} + float({intercept})))) > 0.5 then 1 else 0 end as Prediction
from
(select {cols}
from {db})
'''.format(features=features_sum,cols=",".join(features_sql),intercept=clf.intercept_[0],db=db)
return final_sql
當使用SQL來推斷資料庫時，輸出如下：
sql = generate_lr_inference_sql(ohc_columns, num_cols, clf, "fdu_luma_raw")
cur.execute(sql)
samples = [r for r in cur]
colnames = [desc[0] for desc in cur.description]
pd.DataFrame(samples,columns=colnames)
表格化結果會顯示每個客戶工作階段的購買傾向，0表示無購買傾向，1表示已確認的購買傾向。
使用取樣資料：啟動 working-on-sampled-data
如果本機電腦的資料大小太大，無法儲存資料以進行模型訓練，您可以從查詢服務取得樣本，而非完整資料。 若要瞭解從查詢服務取樣需要多少資料，您可以套用稱為啟動載入的技術。 就這一點而言，啟動程式意味著使用不同樣本多次訓練模型，並檢查不同樣本之間模型準確度的差異。 若要調整上述傾向性模型範例，請先將整個機器學習工作流程封裝成函式。 程式碼如下：
def end_to_end_pipeline(df):
#define the target label for prediction
df['target'] = (df['analytic_action'] == 'productPurchase').astype(int)
#remove columns that are dependent on the label
df.drop(['analytic_action','purchase_value'],axis=1,inplace=True)
num_cols = ['purchase_num','value_cart','value_lifetime']
df[num_cols] = df[num_cols].apply(pd.to_numeric, errors='coerce')
#get the categorical columns
cat_columns = list(set(df.columns) - set(num_cols + ['target']))
#get the dataframe with categorical columns only
df_cat = df.loc[:,cat_columns]
#initialize sklearn's One Hot Encoder
enc = OneHotEncoder(handle_unknown='ignore')
#fit the data into the encoder
enc.fit(df_cat)
#define one hot encoder's columns names
ohc_columns = [[c+'='+c_ for c_ in cat] for c,cat in zip(cat_columns,enc.categories_)]
ohc_columns = [item for sublist in ohc_columns for item in sublist]
#finalize the data input to the ML models
X = pd.DataFrame( np.concatenate((enc.transform(df_cat).toarray(),df[num_cols]),axis=1),
columns = ohc_columns + num_cols)
#define target column
y = df['target']
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.33, random_state=42)
clf = LogisticRegression(max_iter=2000,random_state=0).fit(X_train, y_train)
return clf.score(X_test, y_test)
然後可以在回圈中執行多次此函式，例如10次。 與前一個程式碼不同的是，範例現在並非取自整個表格，而是僅取自一列樣本。 例如，下列範常式式碼僅需1000列。 可以儲存每個反複運算的精確度。
from tqdm import tqdm
bootstrap_accuracy = []
for i in tqdm(range(100)):
#sample data from QS
cur.execute('''SELECT *
FROM fdu_luma_raw
ORDER BY random()
LIMIT 1000
''')
samples = [r for r in cur]
colnames = [desc[0] for desc in cur.description]
df_samples = pd.DataFrame(samples,columns=colnames)
df_samples.fillna(0,inplace=True)
#train the propensity model with sampled data and output its accuracy
bootstrap_accuracy.append(end_to_end_pipeline(df_samples))
bootstrap_accuracy = np.sort(bootstrap_accuracy)
然後會排序啟動載入模型的精確度。 之後，模型精確度的第10個與第90個數量元會變成95%信賴區間，以計算模型在特定樣本大小下的精確度。
上圖指出如果您只用1000列來訓練模型，可預期精確度將下降約84%至88%。 您可以根據您的需求調整查詢服務查詢中的LIMIT子句，以確保模型的效能。