از Pista Academy حمایت کنید
برای مشاهده سایر جلسات و ادامه یادگیری، وارد صفحه دوره شوید.
خلاصه آموزشی
مرور سریع مفاهیم اصلی پیش از تماشای کامل یا برای جمع‌بندی بعد از آموزش.
در جلسه پنجم دوره تحلیل پیش‌بینانه مشتریان با پایتون، مدرس مفهوم کانفیوژن ماتریکس را به عنوان ابزاری برای ارزیابی عملکرد مدل‌های کلاسیفیکیشن مانند لاجیستیک رگرسیون معرفی می‌کند. این ماتریکس به محققان کمک می‌کند تا نوع اشتباهات مدل را تشخیص دهند و معیارهایی مانند دقت، پریسیشن و ریکال را محاسبه کنند. همچنین، اهمیت استفاده از چند معیار برای ارزیابی مدل به جای یک معیار یکسان توضیح داده شده است.
نکات کلیدی
کانفیوژن ماتریکس به عنوان ابزاری برای ارزیابی عملکرد مدل‌های کلاسیفیکیشن استفاده می‌شود و نوع اشتباهات مدل را نشان می‌دهد.
استفاده از چند معیار ارزیابی مانند دقت، پریسیشن و ریکال به جای یک معیار یکسان، به درک بهتر عملکرد مدل کمک می‌کند.
مدیریت اشتباهات مدل با استفاده از کانفیوژن ماتریکس به بهبود عملکرد مدل‌های کلاسیفیکیشن کمک می‌کند.
ارزیابی مدل با چند معیار به جای یک معیار یکسان، نتایج دقیق‌تری ارائه می‌دهد.
پرسش‌های رایج
پاسخ کوتاه و مستقیم به پرسش‌هایی که معمولاً هنگام یادگیری این موضوع مطرح می‌شوند.
کانفیوژن ماتریکس به عنوان ابزاری برای ارزیابی عملکرد مدل‌های کلاسیفیکیشن استفاده می‌شود و نوع اشتباهات مدل را نشان می‌دهد.
استفاده از چند معیار ارزیابی مانند دقت، پریسیشن و ریکال به جای یک معیار یکسان، به درک بهتر عملکرد مدل کمک می‌کند.
آخرین به‌روزرسانی محتوای متنی:
🎓 دوره جامع تحلیل پیش‌بینانه مشتریان Predictive Customer Analytics لینک دانلود دیتاست دوره https://mega.nz/file/totHwTyK#51oeBFXjvKhkqZXK7tycTcuLyU9nUAzFPoVZP0AIBjU در این دوره یاد می‌گیریم چگونه با استفاده از داده‌های مشتریان، رفتار آن‌ها را تحلیل کنیم و برای تصمیم‌گیری‌های بهتر در کسب‌وکار، پیش‌بینی‌های دقیق‌تری انجام دهیم. هدف اصلی این دوره، آشنایی با مهم‌ترین تکنیک‌های Predictive Analytics در حوزه مشتری است؛ از مدل‌های رگرسیون گرفته تا تحلیل حفظ مشتری، بخش‌بندی مشتریان و تکنیک‌های Forecasting. 📚 سرفصل‌های دوره: 🔹 Fundamentals of Linear Regression آشنایی با مبانی رگرسیون خطی و کاربرد آن در تحلیل داده 🔹 Customer Retention and Logistic Regression تحلیل حفظ مشتری و استفاده از Logistic Regression برای پیش‌بینی رفتار مشتری 🔹 Customer Segmentation with Clustering بخش‌بندی مشتریان با استفاده از الگوریتم‌های Clustering 🔹 Forecasting Techniques آشنایی با تکنیک‌های پیش‌بینی و تحلیل روندهای آینده 🔹 Conclusion جمع‌بندی مفاهیم و مرور کاربردهای عملی دوره ━━━━━━━━━━━━━━━━━━ 🎯 این دوره برای چه کسانی مناسب است؟ این دوره می‌تواند برای علاقه‌مندان و فعالان حوزه‌های زیر مفید باشد: • Data Analytics • Data Science • Business Analytics • Machine Learning • Marketing Analytics • Customer Analytics اگر می‌خواهید یاد بگیرید چگونه از داده‌های مشتریان برای پیش‌بینی رفتار، بخش‌بندی مشتریان، تحلیل ماندگاری مشتری و تصمیم‌گیری بهتر استفاده کنید، این دوره می‌تواند نقطه شروع مناسبی باشد. در Pista Academy تلاش می‌کنیم مفاهیم تخصصی را به شکلی ساده، کاربردی و قابل فهم آموزش دهیم. ━━━━━━━━━━━━━━━━━━ 📌 نام دوره: Predictive Customer Analytics 📌 عنوان فارسی: تحلیل پیش‌بینانه مشتریان 🏫 Pista Academy آموزش تخصصی، ساده و کاربردی اگر این دوره برای شما مفید بود، ویدیو را Like کنید و برای مشاهده آموزش‌های بیشتر کانال Pista Academy را Subscribe کنید. سؤال‌ها و نظرات خودتان را هم در بخش کامنت‌ها بنویسید. 👇 #PredictiveCustomerAnalytics #PredictiveAnalytics #CustomerAnalytics #DataAnalytics #DataScience #MachineLearning #LinearRegression #LogisticRegression #Clustering #Forecasting #CustomerSegmentation #PistaAcademy
لاجیستیک کار می‌کنیم
باید این مفهومو بلد باشیم حالا چرایشو
جلوتر بهتون میگم
باز بگم که برامون توضیح شده
کاش می‌گفتم یه اگزمپلم می‌زد احتمالاً می‌زنم [گلویش را صاف می‌کند]
[صدای خرناس] میگه کانفیوژن ماتریکس یک
تیبلیه برای ارزیابی عملکرد مدل‌های مبتنی
بر کلاس کلاسیفیکیشن استفاده میشه مثل
لاجیستیک لاجیستیک بچه‌ها گفتم دیگه میاد
کلاس‌بندی می‌کنه دیگه میگه این مشتری ۴۰
میشه یا نمیشه کلاس میده بهشون
کامپیوژن ماتریکس میاد چی رو ارزیابی می‌کنه مقدار واقعی در مقابل مقدار
پیش‌بینی شده تو مثال جلسه قبل گفتم الان
مثلاً میگن ۷۵ این ۴۰ میشه اگر این ۴۰ نشد
چی در واقعیت خب میاد اینو ارزیابی
می‌کنه. چیزی که پیش‌بینی کرده مدرن با
چیزی که از دنیای واقعی اتفاق افتاده
[صدای خرناس]
میگه که کانفیوژن مازیکس به ما فقط اینو
نمیگه که چند تا پیش‌بینی درست بوده
[صدای خرناس] بلکه نوع اشتباه مدل نومو هم
بهمون میگه اونایی که اشتباه گفتنو میگه
چه مدلی اشتباه کرده
حالا شاید بپرسید خب یعنی چی؟ چه مدل
اشتباه کرده؟ ما دو مدل اشتباه داریم. خب
فرض کنید یه کاربری ۴۰ نشده.
اگه پیش‌بینی ما ۴۰ نشدن باشه خب درست
گفته بهش این میشه ترو نگتیو.
اگر چبینی کنیم که چن شده میشه فالس
پوزیتیو.
اگه مشتری ما چن شده باشه پیش‌بینی بکنه که چن نشده میشه فالس نگتیو
اگر پیش‌بینی بکنه چن شده چنینم شده باشه
میشه ترو پازیتیو
این د تا جواب درستای مائه این د تا جواب
غلطی مائه
یا یه مثال دیگه بزنم فرض کنید شما
می‌خواید تشخیص بدید که یه این بیمار شما
سرطان دارد یا ندارد
بحث دیتایی که دارید اگه سرطان داشته باشه
بگیم نداره یه بحثه
اگه سرطان نداشته باشه بگیم داره اون یه
بحث دیگهست یعنی دو مدل خطاه
میگه طول پوزیتیو موقع اتفاق میفته که واقعیت ما پوزیتیو باشه پیش‌بینی هم
پوزیتیو باشه
خب تو رو نگتیو زمانیه که واقعیت نگتیوه اما
پیش‌بینی ببخشید واقعیت نگتیوه پیش‌بینی
هم نگتیوه جفتش درسته
فارس پوزیتیو زمانی که واقعیت منفیه
اما به اشتباه یعنی به فالس به اشتباه
پوزیتیو تشخیص داده مدل ما فالس نگیتیوم
برعکسش یعنی به اشتباه با منفی تشخیص
داده.
[صدای خرناس]
خب ما یه مفهومی داریم توی کانفیوژن ماتیکس بهم اکیوریسی یا دقت. اگه بخوایم
دقت یک مدل رو اندازه‌گیر بکنیم با متد
اکیورسی فرمول داره.
اکیورسی برابر است با
کل چیزایی که درست پیش‌بینی کرده. تقسیم
بر تعداد کل نمونه‌ها
مثلاً میگه که این مدلی که الان اینجا
داریم ۸۵ دقت داشته
ظاهراً خوبه شما میگید عجب مدلی ۸۵ دقت
ولی نه شاید خوب نباشه بچه‌ها یعنی شما
هیچ وقت نباید مدلتونو با یک متر و معیار
ارزیابی بکنید باید با یه سری مت ماری
دیگه هم ارزیابی بکنید
اینجا گفته
خب خب [گلویش را صاف می‌کند]
یه مثالی براتون بزنم فرض کنید
یه همچین چیزیو فرض کنید بذار من این چیز
باز کنم
چرا می‌تونه خطرناک باشه اینجاست الان بهتون میگم فرض کنید ما یه همچین چیزی
داریم
ما ما یه دیتایی داریم از یه سری بیمار میخوایم ببینیم اینا سرطان دارن یا ندارن
خب
[صدای خرناس][گلویش را صاف می‌کند]
این مقدار واقعیه فرض کنید این واقعیه
سرطان دارن ندارن در دنیای واقعی سرطان ندارن اما
پیش‌بینیمون اینجا پیش‌بینیه
حالا از من قبول کنید این پیش‌بینی. خب باز اینجا میشه دارد
دارن ندارن خب
فرض کنید مدل ما مثلاً میگما
[صدای خرناس]
اونایی که سرطان دارنو مثلاً ۸۰ تاشو درست
گفته اونایی که سرطان داشتنو مثلاً
اینجا صفره اشتباه نگفته اونا که سرطان دارنو همه رو درست گفتن. خب اما اونایی که
سرطان ندارنو فرض کنید مثلاً ۲۰ تاشونو
گفته نه دارن
خب و اونایی که ندارنو مثلاً ۷۰ تاشم گفته
ندارن
الان این مدل دقتش چقده؟ ۷۰ بذار ۸۰ میشه
۱۵۰
تقسیم بر ۱۷۰
میشه چقدر؟
[صدای خرناس] ۱۵ تقسیم بر ۱۷۰ کلش میشه ۸۸ به خودمون
میگیم که عجب مدل خوبی طراحی کردن ولی
ایراد بزرگی داره این مدل چرا
اینه که توی اونایی که سقط‌ها ندارن خیلی
خطا داره
خیلی خطا داره یا اصلاً یه حالت دیگه رو
تصور کنید بذارید
فرض کنید اینم صفر باشه حالا حالا چی میشه دقتش؟
کلاً ۱۰۰ تا نمونه داریم ۸۰ تاشو درست
گفتیم میشه ۸۰
دقت این مدل ۸۰ ولی تمام کسایی که سرطان
نداشتنو گفته داره
یعنی هر کسی از در بیاد تو سرطان نداشته
باشه میگه داره خب این خیلی بده
درسته دقت مدلتون بر مبنای اکیوریسی ۸۰
اما یه باگ گنده داره پس شما هیچوقت نباید
بر مبنای یه دونه
پارامتر بیاید مدلتونو عرضه بکنید. این
مثالو من داره اینجا می‌زنه.
[صدای خرناس] یه متد دیگه داریم به نام دقت.
اون قبلی فکر کنم درستیه. این میشه دقت.
اگه فارسیشو مثلاً بخوایم بگیم خب
میشه ترو پوزیتیو تقسیم بر ترو پوزیتیو
فالس پوزیتیو.
مثلاً تو این مثالی که من زدم
خب
فرض [صدای خرناس] کنید این پوزیتیو باشه
اینم پوزیتیو باشه
این میشه ترو پوزیتیو
فالس نگتیو فکر کنم درسته بعد
این میشه فالس پوزیتیو مثلاً و
ترو نگتیو مثلاً خب میگه میخوایم پریسیشن
حساب بکنیم تو این فروش میشه چی میشه تروی
پوزیتیومون یعنی این ۸دمون تقسیم بر تو ۸۰
به اضافه یه فالس پوزیتیو
۲۰
تو این مثالون مثلاً
خب مثلاً میگین دقت این مدلی که اینجا
مثالشو زدم مثلاً ۸۰
این باز یه متد دیگهست که یه مفهوم دیگه به ما می‌رسونه. خب
میگه ریکال چی رو می‌پرسه؟ آیا همه مشتریانی که واقعاً چن شدن
چند تاشو مدل درست تشخیص داده؟ فرمولشم اینه بچه‌ها. ترو پوزیتیو تقسیم بر ترو
پوزیتیو تقسیم بر فالس نگتیو.
خب
مثلاً تو این مثال ما مدل تونسته با دقت
۶۷ حدوداً تشخیص بده که کدوم مشتریای که
۴۰ شدن واقعاً ۴ شدن.
حالا وقتی شما این
درق معیارو با این و با اون اکیورسیرو
می‌ذارید کنار همدیگه تازه می‌فهمید که
مدلتون چهجوریه.
خب
بعد اینجا میگه یه تردافی یه مصالحه‌ای
بین این و این وجود داره اگر ریکار بره
بالا پلیسیشن میاد پایین پلیستیشن بره
بالا ریکال میاد پایین
خب
یه متد دیگه ارزیابی داری بهش میگن اف و
اسکور
که اومده پریسیژن و ریکال رو جفتشو آورده
روی میا روی یه دونه فرمول
فرموشم اینه
میگه زمانی که کلاسی ما آنبالانس خیلی اف و می‌تونه مفید باشه آنبالانس یعنی چی؟
مثلاً فرض کنید شما یه دیتایی دارید از
مثلاً بیماران سرطانی مثلاً ی میلیون
نمونه‌گیری کردید ۹۵۰ هزار نفر سرطان
ندارم ۵۰ هزار نفر سرطان دارن خب این
آنبالانسه دیگه احتار شما دیگه بالانس
نیست تو اینجور مواقع میگه افان اسکور
بهتره متد ارزیابی بهتریه
حالا راجع به اینا جلوتر رو مدلمون صحبت خواهیم کرد قرار هست اینا رو بچه‌ها دستی
حساب کنیما یعنی دغدغتون نشه حالا من اینا
باید بشم دستی حساب کنم نه فرمول داره.
خب بریم جلوتر.
خب به نظرم بچه‌ها برای اینکه ویدیوون
طولانی نشه بریم بیام جلسه بریم سراغ
نمونه واقعیمون و مدلشو بسازیم. فعلاً
خداست.
