A poc for learning in a community.
Project description
Community Learning
Ziel ist es mit diesem kleine PoC aufzuzeigen wie mit Hilfe von Federated Learning bessere Prognose erzielt werden können.
Hier ein Auszug von der Kaggle Website
In this competition, you are provided with 1.5 years of customers behavior data from Santander bank to predict what new products customers will purchase. The data starts at 2015-01-28 and has monthly records of products a customer has, such as "credit card", "savings account", etc. You will predict what additional products a customer will get in the last month, 2016-06-28, in addition to what they already have at 2016-05-28. These products are the columns named: ind_(xyz)_ult1, which are the columns #25 - #48 in the training data. You will predict what a customer will buy in addition to what they already had at 2016-05-28.
Installation
Vorgehen PoC
Um den Usecase möglichst realistisch zu gestalten, gehen wir wie folgt vor:
Variante 1:
- Daten bereitstellen und bereinigen: Hierzu werden wir das Datenset so aufteilen, dass je ein Datenset pro Bank entsteht. Dazu werden wir ein geografisches Attribut hernehmen. Danach werden die Daten nochmals im Verhältnis 80/20 aufgeteilt in ein Train- und Testset (
data_bank1_train
,data_bank1_test
,data_bank2_train
,data_bank2_test
). - Baseline Modelle trainiern: Pro Bank werden wir einen GradientBoost Algorithmus trainieren mit deren Default-Einstellungen. Dadurch erhaltne wir 2 Modelle (
model_bank1
undmodel_bank2
) - Ensemble Predictions: In diesem Schritt werden wir die Resultate von model_bank1 und model_bank2 kombinieren.
model_bank1
undmodel_bank2
wird mit dendata_bank1_test
gefüttert und eine gemeinsame Prediction erstellt.model_bank1
undmodel_bank2
wird mit dendata_bank2_test
gefüttert und eine gemeinsame Prediction erstellt.
- Auswertung:: Um festzustellen ob das Ensemble eine Mehrwert bringt werden folgende Resultate verglichen.
model_bank1(data_bank1_test)
vsensemble(model_bank1(data_bank1_test), model_bank2(data_bank1_test)
model_bank2(data_bank2_test)
vsensemble(mdoel_bank2(data_bank1_test), model_bank2(data_bank2_test)
How to use
Fill me in please! Don't forget code examples:
1+1
2
Project details
Release history Release notifications | RSS feed
Download files
Download the file for your platform. If you're not sure which to choose, learn more about installing packages.
Source Distribution
Built Distribution
File details
Details for the file community_learning-0.0.2.tar.gz
.
File metadata
- Download URL: community_learning-0.0.2.tar.gz
- Upload date:
- Size: 10.4 kB
- Tags: Source
- Uploaded using Trusted Publishing? No
- Uploaded via: twine/3.1.1 pkginfo/1.5.0.1 requests/2.23.0 setuptools/45.2.0.post20200210 requests-toolbelt/0.9.1 tqdm/4.43.0 CPython/3.7.1
File hashes
Algorithm | Hash digest | |
---|---|---|
SHA256 | 4aabe91d1ec4c9e9dc0f36f95a8e39985151fa0f6329e86d3942500d98b09e6d |
|
MD5 | b4c9428009a48762c1805dfbb483dae4 |
|
BLAKE2b-256 | 7567aa1d70b58e34d3b9aa8ebcaf76464d4831361a570acb26b24542eef6d069 |
File details
Details for the file community_learning-0.0.2-py3-none-any.whl
.
File metadata
- Download URL: community_learning-0.0.2-py3-none-any.whl
- Upload date:
- Size: 9.5 kB
- Tags: Python 3
- Uploaded using Trusted Publishing? No
- Uploaded via: twine/3.1.1 pkginfo/1.5.0.1 requests/2.23.0 setuptools/45.2.0.post20200210 requests-toolbelt/0.9.1 tqdm/4.43.0 CPython/3.7.1
File hashes
Algorithm | Hash digest | |
---|---|---|
SHA256 | df7536616f35cb12b21957b7410991f151be5547d30ee9fe9827ca62bdbb2495 |
|
MD5 | 67c252401fe95696f23c283be0448914 |
|
BLAKE2b-256 | 46838448202da5ea6b9584b551990154d25f887607f09239529cfcb297c2dff5 |