Project Wexler

技术栈

• 分析工具：Python，Jupyter Notebook
• 可视化：Matplotlib，Seaborn
• 模型方法：LightFM

项目结构

project-wexler/
├── docs/                      # GitHub Pages 页面内容
├── Project_Wexler_Code.ipynb  # 从数据预处理到建模的完整 Notebook
├── .gitignore                 # Git 忽略文件配置
├── requirements.txt           # Python 依赖
└── README.md                  # 项目说明

项目目标

• 利用机器学习模型对目标变量进行精确预测
• 探索数据特征与目标变量之间的关系
• 比较多种模型性能并选择最优方案
• 解释模型结果并提出改进建议

分析流程

1. 项目背景说明：明确业务目标与预测任务
2. 数据探索与清洗：
   • 缺失值处理、异常检测
   • 可视化数据分布与变量相关性
3. 特征工程：
   • 独热编码、数值转换、特征缩放
4. 模型训练与选择：
   • 对比 Linear Regression、XGBoost 等
5. 模型评估与调优：
   • 使用 RMSE、R²、交叉验证
6. 模型解释：
   • 分析特征重要性，理解预测依据
7. 总结与展望：
   • 反思模型局限与未来改进方向

数据来源与授权

• 数据集：Kaggle - Retailrocket recommender system dataset
• 协议：MIT License