Notebook Bab 6 ini punya dua bagian. Bagian Demo tinggal Anda jalankan lalu amati keluarannya; bagian Mini Project berisi soal dan data yang Anda kerjakan sendiri.Fitur turunan (rasio, encoding waktu, interaksi) sering mengekspos pola yang tak tertangkap model dari kolom mentah.
import numpy as np
import pandas as pd
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import Pipeline
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import cross_val_score
RANDOM_STATE = 42
rng = np.random.default_rng(RANDOM_STATE)
print('Setup selesai.')Setup selesai.Risiko gagal bayar ditentukan oleh rasio pengeluaran terhadap pendapatan dan oleh jam transaksi (larut malam lebih berisiko). Keduanya tidak eksplisit di kolom mentah.
n = 2000
df = pd.DataFrame({
'jam': rng.integers(0, 24, n),
'pendapatan': rng.gamma(3, 2000000, n),
'pengeluaran': rng.gamma(3, 1500000, n),
})
rasio = df['pengeluaran'] / df['pendapatan']
malam = ((df['jam'] < 6) | (df['jam'] > 22)).astype(int)
y = (rng.random(n) < 1 / (1 + np.exp(-(5.0 * (rasio - 0.9) + 2.0 * malam)))).astype(int)
print('Data mentah:', df.shape)
df.head()Data mentah: (2000, 3)| jam | pendapatan | pengeluaran | |
|---|---|---|---|
| 0 | 2 | 3.258032e+06 | 2.610465e+06 |
| 1 | 18 | 5.447176e+06 | 3.078514e+06 |
| 2 | 15 | 4.994007e+06 | 3.239438e+06 |
| 3 | 10 | 7.612125e+06 | 3.579406e+06 |
| 4 | 10 | 2.603533e+06 | 6.944745e+06 |
def skor(Xdf):
pipe = Pipeline([('sc', StandardScaler()), ('lr', LogisticRegression(max_iter=1000))])
return cross_val_score(pipe, Xdf, y, cv=5).mean()
skor_mentah = skor(df[['jam', 'pendapatan', 'pengeluaran']])
der = df.copy()
der['rasio_pengeluaran'] = der['pengeluaran'] / der['pendapatan']
der['jam_sin'] = np.sin(2 * np.pi * der['jam'] / 24)
der['jam_cos'] = np.cos(2 * np.pi * der['jam'] / 24)
der['transaksi_malam'] = ((der['jam'] < 6) | (der['jam'] > 22)).astype(int)
skor_turunan = skor(der)
print(f'Fitur mentah = {skor_mentah:.3f}')
print(f'+ fitur turunan = {skor_turunan:.3f}')Fitur mentah = 0.816
+ fitur turunan = 0.836🔎 Amati. Menambahkan rasio pengeluaran dan encoding siklik jam (sin/cos) menaikkan akurasi. Model linear tidak bisa membentuk rasio dari dua kolom terpisah, dan jam sebagai angka 0-23 menyesatkan karena jam 23 dan jam 0 sebenarnya berdekatan; encoding siklik memperbaiki keduanya.
Anda diberi data transaksi dengan kolom tanggal (hari ke-0..364), jumlah_item, total_belanja, dan poin_loyalitas. Targetnya pakai_promo (1/0).
Tugas:
tanggal via sin/cos, rasio poin terhadap belanja).Luaran: kode pembentukan fitur, perbandingan skor, dan 2-3 kalimat kesimpulan.
Kriteria penilaian: (a) minimal 5 fitur turunan; (b) encoding waktu yang benar (siklik); (c) evaluasi CV yang adil.
# DATA AWAL (jangan diubah) - transaksi ritel.
n = 2500
tanggal = rng.integers(0, 365, n)
jumlah_item = rng.integers(1, 30, n)
total_belanja = jumlah_item * rng.gamma(2.0, 25000, n)
poin = rng.gamma(2.0, 100, n)
musim = np.sin(2 * np.pi * tanggal / 365)
logit = 1.5 * musim + 0.0000015 * total_belanja - 0.008 * poin
pakai_promo = (rng.random(n) < 1 / (1 + np.exp(-logit))).astype(int)
trx = pd.DataFrame({'tanggal': tanggal, 'jumlah_item': jumlah_item,
'total_belanja': total_belanja.round(0), 'poin_loyalitas': poin.round(1),
'pakai_promo': pakai_promo})
print('Data:', trx.shape)
trx.head()Data: (2500, 5)| tanggal | jumlah_item | total_belanja | poin_loyalitas | pakai_promo | |
|---|---|---|---|---|---|
| 0 | 242 | 27 | 1103013.0 | 115.2 | 1 |
| 1 | 26 | 9 | 33120.0 | 98.0 | 0 |
| 2 | 122 | 13 | 287846.0 | 226.5 | 1 |
| 3 | 258 | 9 | 64840.0 | 36.7 | 0 |
| 4 | 336 | 29 | 513477.0 | 138.2 | 0 |
# Kerjakan di sini.
# Petunjuk: buat kolom turunan di DataFrame, lalu bandingkan cross_val_score sebelum vs sesudah.