Regresión Lineal Datos Ecommerce

Descripción:

Se tiene datos de una compañia Ecommerce que vende ropa online. Esta empresa también tiene un servicio de consejería o personal Stylist. Se puede ordenar las ropas que se deseen, a través de App o Web.

La empresa quiere decidir si enfocarse en la experiencia de la APP o en la web, en base a los datos de clientes. La variable a predecir es Yearly Amount Spent.

Importar librerias

Importar pandas, numpy, matplotlib, y seaborn. Colocar %matplotlib inline

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline

Obtener los datos

Se trabajará con el archivo de clientes de la compañia. La información que se tiene es de Email, Dirección, etc. Pero también tiene variables numéricas:

• Avg. Session Length: Promedio de sesiones en las tiendas para consejería.
• Time on App: Tiempo promedio gastado en la APP en minutos.
• Time on Website: Tiempo promedio gastado en el website en minutos.
• Length of Membership: Cuantos años el cliente ha sido miembro.

Lee el archivo csv (Ecommerce_Customers.csv) de clientes en un Dataframe llamado clientes.

url = "https://raw.githubusercontent.com/eduardool/MaestriaCienciaDatos/main/datasets/Ecommerce_Customers.csv"

clientes = pd.read_csv(url)

Mostrar el encabezado de clientes, verificar sus métodos info() y describe().

clientes.head()

	Email	Address	Avatar	Avg. Session Length	Time on App	Time on Website	Length of Membership	Yearly Amount Spent
0	mstephenson@fernandez.com	835 Frank Tunnel\nWrightmouth, MI 82180-9605	Violet	34.497268	12.655651	39.577668	4.082621	587.951054
1	hduke@hotmail.com	4547 Archer Common\nDiazchester, CA 06566-8576	DarkGreen	31.926272	11.109461	37.268959	2.664034	392.204933
2	pallen@yahoo.com	24645 Valerie Unions Suite 582\nCobbborough, D...	Bisque	33.000915	11.330278	37.110597	4.104543	487.547505
3	riverarebecca@gmail.com	1414 David Throughway\nPort Jason, OH 22070-1220	SaddleBrown	34.305557	13.717514	36.721283	3.120179	581.852344
4	mstephens@davidson-herman.com	14023 Rodriguez Passage\nPort Jacobville, PR 3...	MediumAquaMarine	33.330673	12.795189	37.536653	4.446308	599.406092

clientes.describe()

	Avg. Session Length	Time on App	Time on Website	Length of Membership	Yearly Amount Spent
count	500.000000	500.000000	500.000000	500.000000	500.000000
mean	33.053194	12.052488	37.060445	3.533462	499.314038
std	0.992563	0.994216	1.010489	0.999278	79.314782
min	29.532429	8.508152	33.913847	0.269901	256.670582
25%	32.341822	11.388153	36.349257	2.930450	445.038277
50%	33.082008	11.983231	37.069367	3.533975	498.887875
75%	33.711985	12.753850	37.716432	4.126502	549.313828
max	36.139662	15.126994	40.005182	6.922689	765.518462

clientes.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 500 entries, 0 to 499
Data columns (total 8 columns):
 #   Column                Non-Null Count  Dtype  
---  ------                --------------  -----  
 0   Email                 500 non-null    object 
 1   Address               500 non-null    object 
 2   Avatar                500 non-null    object 
 3   Avg. Session Length   500 non-null    float64
 4   Time on App           500 non-null    float64
 5   Time on Website       500 non-null    float64
 6   Length of Membership  500 non-null    float64
 7   Yearly Amount Spent   500 non-null    float64
dtypes: float64(5), object(3)
memory usage: 31.4+ KB

Análisis Exploratorio de Datos

Para el resto del ejercicio solo usar los datos numéricos del archivo CSV.

---

Usar seaborn para crear un jointplot que compare las columnas Time on Website y Yearly Amount Spent. La correlación tiene sentido?

sns.set_palette("GnBu_d")
sns.set_style('whitegrid')

# Más tiempo en el site, más dinero gastado.
sns.jointplot(x='Time on Website',y='Yearly Amount Spent',data=clientes)

<seaborn.axisgrid.JointGrid at 0x79b733dee9e0>

Hacer lo mismo pero con la columna Time on App.

sns.jointplot(x='Time on App',y='Yearly Amount Spent',data=clientes)

<seaborn.axisgrid.JointGrid at 0x79b733a94af0>

Explora estos tipos de relaciones sobre el conjunto de datos entero. Usar pairplot para recrear el gráfico abajo.

sns.pairplot(clientes)

<seaborn.axisgrid.PairGrid at 0x79b7335ac6d0>

Basado en el gráfico cual sería la características más correlacionada con Yearly Amount Spent?

# Rpta: Length of Membership

Crear un grafo de modelo lineal (usando lmplot de seaborn) de Yearly Amount Spent vs. Length of Membership.

sns.lmplot(x='Length of Membership',y='Yearly Amount Spent',data=clientes)

<seaborn.axisgrid.FacetGrid at 0x79b73204c8b0>

Datos de entrenamiento y prueba

Define la variable X como las características numéricas de clientes, la variable $y$ igual a la columna "Yearly Amount Spent" column.

clientes.columns

Index(['Email', 'Address', 'Avatar', 'Avg. Session Length', 'Time on App',
       'Time on Website', 'Length of Membership', 'Yearly Amount Spent'],
      dtype='object')

y = clientes['Yearly Amount Spent']

X = clientes[['Avg. Session Length', 'Time on App','Time on Website', 'Length of Membership']]

Usar model_selection.train_test_split de sklearn para dividir los datos en conjuntos de entrenamiento y prueba. Definir el test_size=0.3 y random_state=101

from sklearn.model_selection import train_test_split

X_entrenamiento, X_prueba, y_entrenamiento, y_prueba = train_test_split(X, y, test_size=0.3, random_state=101)

Entrenamiento del modelo

Usando datos de entrenamiento

Importar LinearRegression de sklearn.linear_model

from sklearn.linear_model import LinearRegression

Crear una instancia de un modelo LinearRegression() llamado lm.

lm = LinearRegression()

Entrenar(fit) lm usando los datos de entrenamiento.

lm.fit(X_entrenamiento,y_entrenamiento)

LinearRegression()

In a Jupyter environment, please rerun this cell to show the HTML representation or trust the notebook.
On GitHub, the HTML representation is unable to render, please try loading this page with nbviewer.org.

Imprimir los coeficientes (parámetros del modelo)

# Parámetros
print('Parámetros: \n', lm.coef_)

Parámetros: 
 [25.98154972 38.59015875  0.19040528 61.27909654]

Predecir datos de prueba

Dado el modelo entrenado, evaluar su desempeño en el conjunto de prueba.

Usar lm.predict() para predecir el conjunto X_prueba.

predicciones = lm.predict(X_prueba)

Crear un scatterplot de los valores de prueba reales versus valores predichos.

plt.scatter(y_prueba,predicciones)
plt.xlabel('Y prueba (real)')
plt.ylabel('Y predicho')

Text(0, 0.5, 'Y predicho')

Evaluación del modelo

Calcula las métricas MAE, MSE, y RMSE.

from sklearn import metrics

print('MAE:', metrics.mean_absolute_error(y_prueba, predicciones))
print('MSE:', metrics.mean_squared_error(y_prueba, predicciones))
print('RMSE:', np.sqrt(metrics.mean_squared_error(y_prueba, predicciones)))

MAE: 7.228148653430826
MSE: 79.81305165097427
RMSE: 8.933815066978624

Residuos

Graficar un histograma de los residuos para tener la seguridad que están normalmente distribuidos. Usar distplot de seaborn, o plt.hist().

sns.distplot((y_prueba-predicciones),bins=50);

<ipython-input-27-6e4c8cab2e38>:1: UserWarning: 

`distplot` is a deprecated function and will be removed in seaborn v0.14.0.

Please adapt your code to use either `displot` (a figure-level function with
similar flexibility) or `histplot` (an axes-level function for histograms).

For a guide to updating your code to use the new functions, please see
https://gist.github.com/mwaskom/de44147ed2974457ad6372750bbe5751

  sns.distplot((y_prueba-predicciones),bins=50);

Conclusión

Se enfocará en el app o en el website? o eso no importa y Membership Time es lo relevante?

Producir el dataframe:

parametros = pd.DataFrame(lm.coef_,X.columns)
parametros.columns = ['Parámetro']
parametros

	Parámetro
Avg. Session Length	25.981550
Time on App	38.590159
Time on Website	0.190405
Length of Membership	61.279097

Cómo se interpretan estos parámetros / coeficientes?

• Asumiendo todas las características fijas, el incremento en una unidad en Avg. Session Length está asociado con un incremento de 25.98 dolares gastados en total.
• Asumiendo todas las características fijas, el incremento en una unidad en Time on App está asociado con un incremento de 38.50.98 dolares gastados en total.
• Asumiendo todas las características fijas, el incremento en una unidad en Time on Website está asociado con un incremento de 0.19 dolares gastados en total.
• Asumiendo todas las características fijas, el incremento en una unidad en Length of Membership está asociado con un incremento de 61.27 dolares gastados en total.

Debe enfocarse más en la APP o en el website?

Hay dos opciones: mejora el website para igualar el desempeño de APP, o mejora la APP dado que es la que está funcionando mejor.

Depende de otros factores de la compañia, tal vez sea necesario explorar la relación entre Length of Membership y el APP o website antes de concluir algo.