最近我发现了Keras和TensorFlow，我正在尝试进入机器学习领域。我手动从用户数据库中分类了训练和测试数据，如下所示：
9个特征和一个标签，特征是我系统中的事件，例如“用户添加了头像”或“用户为服务支付了X”，标签是正面或负面的投资回报率（1或0）
示例：
我使用以下代码对用户进行分类：
import numpy as npfrom keras.layers import Densefrom keras.models import Sequentialtrain_data = np.loadtxt("train.csv", delimiter=",", skiprows=1)test_data = np.loadtxt("test.csv", delimiter=",", skiprows=1)X_train = train_data[:, 0:9]Y_train = train_data[:, 9]X_test = test_data[:, 0:9]Y_test = test_data[:, 9]model = Sequential()model.add(Dense(8, input_dim=9, activation='relu'))model.add(Dense(6, activation='relu'))model.add(Dense(3, activation='relu'))model.add(Dense(1, activation='sigmoid'))# Compile modelmodel.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])# Fit the modelmodel.fit(X_train, Y_train, epochs=12000, batch_size=10)# evaluate the modelscores = model.evaluate(X_test, Y_test)print("\n\n\nResults: %s: %.2f%%" % (model.metrics_names[1], scores[1]*100))我得到了89%的准确率。这对于将用户标记为有价值的客户非常有效。
问题：如何提取对正面投资回报率有贡献的特征，以便在用户体验中提升它们的关注度？
或者：寻找最佳受众组合段的途径是什么？
回答：
正如人们所说，没有简单的答案，我的回答也不打算是唯一的答案，但我认为你可以尝试以下方法。
观察方法：
- 预测所有客户的结果
- 筛选出优秀客户并绘制他们的特征
- 筛选出不佳客户并绘制他们的特征
- 你能看到明显的模式吗？例如：大多数失败案例没有特征x。
创建具有组合特征的假客户：
-
首先，创建仅具备单一特征的假客户，从1到9。（客户1仅有特征1，客户2仅有特征2，依此类推）
-
预测这些客户的结果
- 检查是否有任何特征产生了好的结果（这可能还不是最终结果，但请记下）
以上，你可以看到每个特征单独的结果，但这不太可能，对吗？
- 现在你可以创建所有两特征的组合。有36种组合（9 x 8 / 2）。（F1/F2；F1/F3；F1/F4….）
- 预测并查看优秀客户（记下最佳组合）
继续进行，三特征组合（84种组合）
四特征组合（126种组合）
比较上述各步骤的结果：
-
拿所有具有4个特征的失败客户。与具有1个特征的成功客户进行比较：成功特征是否在失败客户中存在？如果不存在，你很可能找到了一个独立的成功特征。
-
在所有测试的所有失败候选中，是否有任何特征缺失？这也是另一个独立的成功特征。
与第一个类似，你可以比较4特征失败与2特征成功，看是否有任何特征对成功。
依此类推。
考虑上述结果，筛选真实客户：
- 从真实客户中，选出所有你认为是成功的单一特征的客户。确认他们实际上是成功的
- 对那些你认为是成功的特征对的真实客户做同样的事。确认他们是否成功。
你可以用同样的方法假设某些特征可能导致失败，而不是导致成功。或者，不看现有特征，而是看缺失的特征，等等。
