Este é um projeto de machine learning para análise de dados de usuários que efetuaram ou não uma compra, os dados foram disponibilizados na plataforma Kaggle.
Não estão definidos no dataset o caso proposto e o problema a ser solucionado, então baseados nos dados serem de compras efetuadas ou não por usuários e arquivo de dados ser nomeado como "anúncios de redes sociais", será adotada a seguinte interpretação: O arquivo Social_Network_Ads.csv contém dados de usuários de uma rede social que tiveram alguma interação com um anúncio e foram incentivados ou não a efetuar uma compra, sendo assim o objetivo do desenvolvimento do modelo será em prever quais clientes estimulados pelo(s) anúncio(s) realizará ou não uma compra.
- Analisar a correlação dos dados dos usuários.
- Gerar um modelo preditivo de compra ou não por um usuário.
- Simular novas entradas de dados e previsões.
- Análise das medidas estatísticas dos dados
- Distribuição dos dados entre as variáveis independentes (features) e dependente (target)
- Correlação entre as variáveis
- Criação do modelo de regressão logística
- Separação dos dados de treino e teste
- Treinamento e predições do modelo
- Métricas do modelo
- Previsões com novos dados
- Conclusão
User ID: Id exclusivo para identificação do usuário
Gender: Gênero, masculino ou feminino
Age: Idade do usuário
EstimatedSalary: Salário estimado do usuário
Purchased: Flag, 1 se o usuário efetuou uma compra via anúncio ou 0 se não houve compra
Após efetuar ajustes nos dados, a fim de identificar padrões e correlações que auxiliaram na interpretação das informações sobre usuários que realizaram uma compra ou não, foi construído um modelo com acurácia de 90% e pontuação média de 84,5%. Foram executados testes com novas entradas de dados indicando clientes que potencialmente efetuariam uma compra (comprado: 1) estimulados por um anúncio específico, assim o modelo também irá permitir traçar perfis, baseado nas variáveis independentes, com maior probabilidade de efetuar uma compra e assim direcionar os anúncios para esse público específico.
| idade | masculino | feminino | salario_estimado | comprado | |
|---|---|---|---|---|---|
| 0 | 19 | 0 | 1 | 130754.00 | 0 |
| 1 | 26 | 0 | 1 | 148398.00 | 0 |
| 2 | 19 | 1 | 0 | 42037.00 | 0 |
| 3 | 35 | 1 | 0 | 102935.00 | 1 |
| 4 | 41 | 1 | 0 | 102119.00 | 1 |
| 5 | 33 | 0 | 1 | 43919.00 | 0 |
| 6 | 58 | 0 | 1 | 141094.00 | 1 |
| 7 | 34 | 0 | 1 | 111118.00 | 0 |
| 8 | 36 | 0 | 1 | 114059.00 | 0 |
| 9 | 50 | 0 | 1 | 133254.00 | 1 |
- Python
- Biblioteca GC
- Biblioteca Pandas
- Biblioteca Matplotlib
- Biblioteca Seaborn
- Biblioteca Numpy
- Biblioteca Warnings
- Biblioteca Tabulate
- Biblioteca SciKit-learn
- Biblioteca Imbalanced-learn
Licença MIT (MIT). Por favor leia o arquivo da licença para mais informações.