Skip to main content

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:

  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).
  2. Baseline Modelle trainiern: Pro Bank werden wir einen GradientBoost Algorithmus trainieren mit deren Default-Einstellungen. Dadurch erhaltne wir 2 Modelle (model_bank1 und model_bank2)
  3. Ensemble Predictions: In diesem Schritt werden wir die Resultate von model_bank1 und model_bank2 kombinieren.
  • model_bank1 und model_bank2 wird mit den data_bank1_test gefüttert und eine gemeinsame Prediction erstellt.
  • model_bank1 und model_bank2 wird mit den data_bank2_test gefüttert und eine gemeinsame Prediction erstellt.
  1. Auswertung:: Um festzustellen ob das Ensemble eine Mehrwert bringt werden folgende Resultate verglichen.
  • model_bank1(data_bank1_test) vs ensemble(model_bank1(data_bank1_test), model_bank2(data_bank1_test)
  • model_bank2(data_bank2_test) vs ensemble(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


Download files

Download the file for your platform. If you're not sure which to choose, learn more about installing packages.

Files for community-learning, version 0.0.2
Filename, size File type Python version Upload date Hashes
Filename, size community_learning-0.0.2-py3-none-any.whl (9.5 kB) File type Wheel Python version py3 Upload date Hashes View
Filename, size community_learning-0.0.2.tar.gz (10.4 kB) File type Source Python version None Upload date Hashes View

Supported by

Pingdom Pingdom Monitoring Google Google Object Storage and Download Analytics Sentry Sentry Error logging AWS AWS Cloud computing DataDog DataDog Monitoring Fastly Fastly CDN DigiCert DigiCert EV certificate StatusPage StatusPage Status page