使用机器学习模型(scikit或statsmodel)回答业务问题

Question

谢谢你在这方面的帮助。

这感觉像是一个愚蠢的问题，我可能把事情搞得过于复杂了。一些背景信息-我最近刚刚学习了Python中的一些机器学习方法(scikit和一些统计模型)，例如线性回归，逻辑回归，KNN等。我可以在pandas数据框中准备数据，将分类数据转换为0和1。我也可以将这些加载到模型中(例如，scikit learn中的逻辑回归)。我知道如何训练和测试它(使用CV等)，以及一些微调方法(gridscore等)。但这一切都在根据新数据预测结果的范围内。我主要专注于学习建立一个模型来预测新的X值，并测试该模型以确认准确性/精确度。

然而，现在我在识别和执行其他类型的问题时遇到了困难，比如回归模型可以回答的问题，比如：

为什么上个月客服电话减少了？我们应该采用这种促销模式还是另一种促销模式？

假设我们有了所有的变量/预测集，我们如何使用任何有监督的机器学习模型或statsmodel包中的stat模型来确定这两个问题。

希望这是有意义的。我当然可以说得更详细一些。

Answer 1

为什么上个月客服电话减少了？

这取决于您必须分析和探索数据的数据类型和功能。基本的事情之一是查看功能和目标变量之间的相关性，以检查您是否可以识别任何与呼叫中断相关的功能。因此，探索不同的统计数据可能会比预测模型更好地回答这个问题。

此外，在开始使用预测模型之前分析和探索数据也是一种很好的做法，因为通常需要根据您选择的预测模型来改进数据(缩放、删除异常值、丢失数据等)。

我们应该采用这种促销模式还是另一种促销模式？

这个问题可以根据回归或您为此数据设计的任何其他预测模型来回答。如果您可以提供促销模型的输入功能，这些模型将帮助您预测该功能的销售/结果。

Answer 2

你的问题可能被认为过于宽泛，因为你所问的实际上是“我应该建模什么”的一个版本。也就是说，我会试着对你提出的问题提供一些想法，以防它被证明是有帮助的。

以你的第一个假设为例：“为什么上个月客户服务电话减少了？”

首先，这假设您有一个您想要了解的现象(较低的客户服务呼叫)。在开发任何模型时，您都应该确保您提出的问题在理论上可以由模型来回答。在这种情况下，措辞可能是:我们有良好信息的哪些因素导致上个月客户服务呼叫的减少(与之前的一些时间段相比)。

这种措辞是生硬的，但指出了问题:该模型是一种量化问题的潜在答案的工具。

在这一点上，您需要的是理解为什么要在模型中包含或排除信息。理论是最好的指南，即使是一个松散的指南。客户呼叫是什么的功能？售出的单位数量？产品质量？随本单元提供的说明是否清晰？此外，其中一些是other问题的函数:单位数量是一年中的时间、市场营销、一般销售趋势等的函数。

让我们假设您已经确定并可以捕获您认为与感兴趣的结果相关的功能:客户服务呼叫。此外，假设您已经存储了它们，清理了它们，处理了它们，并且有一个准备好并等待的数据集。

如上所述，您希望解释您已经看到的结果(呼叫减少)。您有无数的模型可供选择；类型/样式的选择完全取决于您想要了解的内容。从你提出问题的方式来看，你可能对因果关系感兴趣。这很难做到，因为总有一些你无法捕获的变量可能会影响你的混杂捕获( capture )，但也不是不可能的。回归模型(线性、逻辑、一般的最大似然、GLM、2SLS等)通常擅长这一点，完全不需要执行ML中存在的常见训练/测试步骤。(不过，正如我在某处读到的某个人所说，没有预测就没有解释。)您从这些类型的模型中获得的系数可以告诉您哪些功能与服务调用的增加/减少相关(我不说“原因”，因为这需要一些非常具体的条件。This might be a good starting point for you.)

或者，你可能只是有兴趣问“我捕获的那些特征中，哪一个是服务呼叫量中最具预测性的”，在这种情况下，你有一个更直接的预测模型案例，你只是在寻找一个非常好的预测模型。当然，这些并不是相互排斥的。如果某件事是因果的，那么它在预测模型中通常是重要的(当然，因果影响可能很小)。

最终，您应该熟悉对系数的解释，以及从模型中得出的结果与感兴趣的响应变量之间的关系。这将有助于提供一个关于每个模型可以表示兴趣现象的正确想法。