2. 程式人生 > 其它 >ML .NET 預測訂單是否被退貨

ML .NET 預測訂單是否被退貨

阿新 • • 發佈：2022-03-17

場景

根據歷史訂單的退貨情況，預測新訂單是否被退貨
這次利用ML .NET的資料分類功能，將訂單狀態分為退貨、不退貨兩種，計算每筆訂單被退貨、不被退貨的概率
需要注意的是，這裡是文字資料分類，使用資料分類，而之前完成的貓狗分類，需要使用影象分類

資料集

資料來自Amazon Seller - Order Status Prediction
描述：BL（Boss Leathers） 是一家小型皮革製品企業，最近開始在亞馬遜上銷售其產品。 目前，它在印度市場註冊了大約 40 個 SKU。 在過去的幾個月裡，它因退貨而蒙受了一些損失。 現在，BL 尋求幫助來預測新訂單被拒絕的可能性。 這將有助於他們採取必要的行動，從而減少損失。

原始資料

資料如下

列名從左到右依次為唯一的亞馬遜訂單號order_no、下訂單的日期order_date、買家姓名buyer、收貨城市ship_city、收貨州/聯邦ship_state、產品的唯一識別符號sku、產品描述description、訂購數量quantity、支付的總金額item_total、Boss Leathers 承擔的運送物品的費用shipping_fee、付款方式：貨到付款與否cod，最後一列是需要預測的結果，訂單狀態（退貨、不退貨）order_status

資料處理

這裡需要對資料做一些處理，
sku可以去掉字首SKU:
item_total和shipping_fee包含了貨幣單位，需要處理成數字
在cod

為空的單元格填上Not Cash On Delivery，這樣可以表示cod是一個列舉型別，包括貨到付款和非貨到付款兩種形式
得到了下圖的資料

最後因為ML .NET的自動訓練模型僅支援.csv，.txt，.tsv和SQL Server資料庫，我將.xlsx的檔案格式轉換為.txt

訓練模型

訓練方案選擇資料分類

訓練環境選擇本地CPU

資料

選擇資料檔案，載入資料

設定要預測的列為order_status

設定特徵欄位的屬性

開始訓練


這裡我們選擇的時間越長，ML .NET可能會嘗試更多的演算法
從控制檯可以看出來，10秒的訓練時間，輸出如下
自動選擇SdcaMaximumEntropyMulti

模型

Experiment output folder: ......
|     Trainer                              MicroAccuracy  MacroAccuracy  Duration #Iteration                     |
|0    SdcaMaximumEntropyMulti                     0.9362         0.6000       1.4          0                     |
|1    LightGbmMulti                               0.9362         0.6000       1.5          1                     |

===============================================Experiment Results=================================================
------------------------------------------------------------------------------------------------------------------
|                                                     Summary                                                    |
------------------------------------------------------------------------------------------------------------------
|ML Task: Classification                                                                                         |
|Dataset: ......\TrainData\orders_data.txt|
|Label : order_status                                                                                            |
|Total experiment time : 2.88 Secs                                                                               |
|Total number of models explored: 2                                                                              |
------------------------------------------------------------------------------------------------------------------

|                                              Top 2 models explored                                             |
------------------------------------------------------------------------------------------------------------------
|     Trainer                              MicroAccuracy  MacroAccuracy  Duration #Iteration                     |
|1    LightGbmMulti                               0.9362         0.6000       1.5          1                     |
|0    SdcaMaximumEntropyMulti                     0.9362         0.6000       1.4          0                     |
------------------------------------------------------------------------------------------------------------------

|2    FastTreeOva                                 0.9362         0.6000      11.1          2                     |

60秒的訓練時間，輸出如下
自動選擇FastForestOva模型
這裡模型生成有點問題，需要手動新增引用Microsoft.ML.FastTree

Experiment output folder: ......
|     Trainer                              MicroAccuracy  MacroAccuracy  Duration #Iteration                     |
|0    SdcaMaximumEntropyMulti                     0.9362         0.6000       1.3          0                     |
|1    FastForestOva                               0.9363         0.7625      11.9          1                     |
|2    SdcaMaximumEntropyMulti                     0.9362         0.6000       2.2          2                     |
|4    SdcaMaximumEntropyMulti                     0.9362         0.6000       1.2          4                     |
|5    SdcaLogisticRegressionOva                   0.9362         0.6000       2.5          5                     |
|6    LightGbmMulti                               0.9362         0.6000       1.4          6                     |
|7    SdcaLogisticRegressionOva                   0.9362         0.6000       2.6          7                     |
|8    FastTreeOva                                 0.9362         0.6000      11.2          8                     |
|9    SdcaMaximumEntropyMulti                     0.9362         0.6000       1.3          9                     |
|10   LbfgsMaximumEntropyMulti                    0.9362         0.6000       2.3         10                     |
|11   LbfgsLogisticRegressionOva                  0.9362         0.6000       3.4         11                     |
|12   LbfgsMaximumEntropyMulti                    0.9242         0.5938       2.4         12                     |
|13   SdcaMaximumEntropyMulti                     0.9362         0.6000       2.0         13                     |
|14   LightGbmMulti                               0.9362         0.6000       1.6         14                     |
|15   SdcaMaximumEntropyMulti                     0.9362         0.6000       1.9         15                     |

===============================================Experiment Results=================================================
------------------------------------------------------------------------------------------------------------------
|                                                     Summary                                                    |
------------------------------------------------------------------------------------------------------------------
|ML Task: Classification                                                                                         |
|Dataset: ......\TrainData\orders_data.txt|
|Label : order_status                                                                                            |
|Total experiment time : 49.15 Secs                                                                              |
|Total number of models explored: 15                                                                             |
------------------------------------------------------------------------------------------------------------------

|                                              Top 5 models explored                                             |
------------------------------------------------------------------------------------------------------------------
|     Trainer                              MicroAccuracy  MacroAccuracy  Duration #Iteration                     |
|1    FastForestOva                               0.9363         0.7625      11.9          1                     |
|14   SdcaMaximumEntropyMulti                     0.9362         0.6000       1.9         14                     |
|13   LightGbmMulti                               0.9362         0.6000       1.6         13                     |
|12   SdcaMaximumEntropyMulti                     0.9362         0.6000       2.0         12                     |
|10   LbfgsLogisticRegressionOva                  0.9362         0.6000       3.4         10                     |
------------------------------------------------------------------------------------------------------------------

|16   FastForestOva                               0.9302         0.7316      12.8         16                     |

評估

之後有一個簡單的評估功能，可以迅速看一下這個模型的效果如何

最後ML .NET貼心的為我們準備了呼叫模型獲得結果的示例程式碼，讓我們可以快速開發

呼叫模型完成功能

寫一個UI，輸入資料，並預測是否會被退貨

示例程式碼

OrderStatusPrediction

參考資料

Microsoft.ML.Trainers.FastTree 名稱空間
官方machinelearning-samples
社群示例

相關推薦

ML .NET 預測訂單是否被退貨

場景 根據歷史訂單的退貨情況，預測新訂單是否被退貨 這次利用ML .NET的資料分類功能，將訂單狀態分為退貨、不退貨兩種，計算每筆訂單被退貨、不被退貨的概率

C#使用ML.Net完成人工智慧預測

前言 Visual Studio2019 Preview中提供了圖形介面的ML.Net，所以，只要我們安裝Visual Studio2019 Preview就能簡單的使用ML.Net了，因為我的電腦已經安裝了Visual Studio2019，所以我不需要重頭安裝Visual Studio201

通過 ML.NET 使用預訓練殘差網路 ResNet 模型實現手勢識別

之前我寫過的一篇《基於 ONNX 在 ML.NET 中使用 Pytorch 訓練的垃圾分類模型》，介紹到了 ML.NET 是如何實現影象分類的，此後我收到好多留言提出了更多的場景，比如某個線上學習應用，希望學生按照視訊的要求做一個指

ML.NET API 和工具八月更新

ML.NET是一個開源的跨平臺機器學習框架，適合 .NET 開發人員。它允許將機器學習整合到 .NET 應用中，而無需離開 .NET 生態系統。ML.NET工具（Visual Studio 中的模型生成器 UI 和跨平臺 ML.NET CLI），可根據您的場景

ML.NET 九月更新

ML.NET是一個開源的跨平臺機器學習框架，ML.NET 1.5.2 版本工具更新包括通過模型生成器使用 Azure ML 訓練物件檢測模型的能力。現在您還可以使用ML.NET CLI 本地訓練影象模型。

使用 ML.NET 識別樂高顏色塊

每一個樂高迷都擁有很多的顏色塊，需要進行排序和按型別分揀，按照《Organizing your LEGO Bricks》或許有所幫助，但這不是一個簡單的任務，因為有很多顏色塊有非常微妙的差異。如果換作一個典型的程式設計師可以做什

4倍速！ML.NET Model Builder GPU 與 CPU 對比測試

當我們使用 Visual Studio 進行機器學習開發時，一般都會推薦安裝 ML.NET Model Builder ，這讓我們的開發更加視覺化，並且按照步驟載入相關的訓練集，選擇好模型就夠了，一切就是如此樸實無華。

銷售訂單轉採購訂單增強(可變退貨)

技術標籤：SDmmsap 1.增強點： ES_SAPMM06E 2.SE38也可直接進去MM06EFVA_SET_ITEM_DATA 3.建的隱士增強實施

[Tomcat/Java EE/Linux]Tomcat啟動異常：StandardServer.await: create[localhost:8005]: java.net.BindException: 無法指定被請求的地址

1 問題背景 部門新成員小J在一臺虛擬機器(ip:192.168.191.96)內安裝部署部門的資料治理產品（含: 20餘個微服務模組 + 1套(使用者)基礎管理系統BMS）。

“手賤”改星鏈安裝位置，使用者發現訂單會被推遲一年多

11 月 4 日訊息，目前埃隆・馬斯克 (Elon Musk) 麾下的太空探索技術公司 SpaceX 已經開放“星鏈”衛星網際網路服務預訂業務。但不少使用者發現，只要更改“星鏈”裝置安裝位置，交付時間至少就會推遲一年多的時間。今

ML .NET 貓狗影象分類

本文將使用ML .NET的影象分類對貓狗的影象資料進行訓練，得到模型； 並且開發一個簡單的識別程式用來識別貓咪和狗狗。

ML .NET 電影推薦

參考Movie Recommendation 我採用ML .NET自動化模型的推薦方案來完成這件事情 場景 根據使用者以往對電影的評分，向用戶推薦他/她可能感興趣的電影，從而精確推廣目標電影給可能感興趣的使用者群體

ML .NET 異常情況檢測

場景 商品的價格會隨時間發生變化，可以通過ML .NET的異常情況檢測功能獲得價格的拐點和峰值，為決策做參考

使用ML.NET實現健康碼識別

ML.NET是微軟提供的機器學習庫，從VS2019開始直接整合在VS裡，幫助.NET開發者快速開發自己的機器學習應用。目前ML.NET的資料已經非常豐富，開發者可以到其官網查閱相關資料。https://dotnet.microsoft.com/en-us/lea

C# .NET ML.NET 機器學習 影象分類

一、 準備工作 IDE是 VS2019。先下載好“resnet_v2_50_299.meta”這個檔案，放入“C:\\Users\\jk\\AppData\\Local\\Temp\\MLNET\\”這個資料夾，目錄不存在自己新建下。“jk”是WINDOWS登入名，注意換成你自己的。

小白白的ASP.NET訂單

using System; using System.Collections.Generic; using System.Linq; using System.Text; using System.Threading.Tasks;

在 asp.net 中下載檔案時遇到 404 錯誤：請求篩選模組被配置為拒絕包含雙重轉義序列的請求。

似乎是因為路徑或檔名中包含加號導致的轉義問題。 網上的解決方案基本都是說根據描述，將 web.confg 檔案中的 configuration/system.webServer/security/requestFiltering@allowDoubleEscaping 設定為 true 即可。 不

[C#] 使用 Excel 和 Math.Net 進行曲線擬合和資料預測

以前在工作中遇到了一個數據錯誤的問題，順便寫下 用Math.Net解決的思路。 1. 錯誤的資料#

【C# .Net Framework】檢測網線是否被拔出

技術標籤：程式設計經驗c# 使用WMI（Windows Management Instrumentation）提供的 MSNdis_StatusMediaConnect和MSNdis_StatusMediaDisconnect物件，以事件方式通知網路連線或斷開

.NET CORE3.1 WEBAPI專案關於介面返回值和SWAGGER文件中引數首字母被轉換成小寫的解決方案。

可以在StartUp.cs的ConfigureServices方法中新增 1.解決輸入輸出引數首字母變小寫的問題。