DevGang
Авторизоваться

Прогнозирование подписчиков в социальных сетях с помощью машинного обучения 

Сегодня существует так много платформ социальных сетей, где вы найдете так много создателей контента в самых разных областях. Как потребитель социальных сетей, количество подписчиков, которые у вас есть, может не представлять для вас интереса, но как создателю контента или как бизнесмену количество подписчиков, которые у вас есть, важно для вашего контента для охвата большей аудитории. Таким образом, задача прогнозирования подписчиков в социальных сетях очень важна для каждого создателя контента и каждого бизнеса, который полагается на социальные сети. Так что, если вы хотите узнать, как предсказать количество подписчиков в социальных сетях на следующий месяц, эта статья для вас. В этой статье я расскажу вам о задаче прогнозирования подписчиков в социальных сетях с помощью машинного обучения с использованием Python.

Прогнозирование подписчиков в социальных сетях

Чтобы спрогнозировать увеличение числа подписчиков, которых вы можете ожидать, вам нужен набор данных о ваших подписчиках в социальных сетях, который может показать вам действия людей в вашей учетной записи в социальных сетях, например:

  1. сколько людей подписались на вас каждый месяц 
  2. сколько просмотров приводит к количеству подписчиков 
  3. сколько ваших подписчиков отписываются от вас каждый месяц

Поэтому очень сложно найти такой набор данных среди наиболее распространенных платформ социальных сетей, таких как Facebook и Instagram, поскольку эти платформы не предоставляют никаких данных, связанных с вашими подписчиками. Итак, для задачи прогнозирования подписчиков в социальных сетях с помощью машинного обучения я собрал данные из своей учетной записи в социальной сети на Medium, платформе социальных сетей для авторов контента, блоггеров и исследователей. Вы можете использовать тот же процесс в своем наборе данных, независимо от того, получаете ли вы его из Medium, Instagram или любого другого приложения для социальных сетей, чтобы предсказать своих подписчиков в социальных сетях. Для практики вы можете использовать тот же набор данных, что и я.

Прогнозирование подписчиков в социальных сетях с использованием Python

Я начну задачу прогнозирования подписчиков в социальных сетях с машинного обучения, импортировав необходимые библиотеки Python и набор данных, которые я собрал о моих подписчиках из Medium:

stats.csv
period_start,period_end,followers_gained,followers_lost,followers_net,followers_total,subscribers_gained,subscribers_lost,subscribers_net,subscribers_total,views
5/1/2020,5/31/2020,1,0,1,1,0,0,0,0,128
6/1/2020,6/30/2020,8,0,8,9,0,0,0,0,16130
7/1/2020,7/31/2020,103,0,103,112,0,0,0,0,14616
8/1/2020,8/31/2020,46,0,46,158,0,0,0,0,4053
9/1/2020,9/30/2020,35,1,34,192,0,0,0,0,5153
10/1/2020,10/31/2020,30,0,30,222,0,0,0,0,16029
11/1/2020,11/30/2020,311,1,310,532,3,0,3,3,59976
12/1/2020,12/31/2020,217,0,217,749,10,1,9,12,76322
1/1/2021,1/31/2021,826,1,825,1574,14,1,13,25,108962
2/1/2021,2/28/2021,394,1,393,1967,7,0,7,32,100650
3/1/2021,3/31/2021,390,2,388,2355,7,2,5,37,102987
4/1/2021,4/30/2021,454,2,452,2807,8,0,8,45,134765
5/1/2021,5/31/2021,462,7,455,3262,6,0,6,51,167608
6/1/2021,6/30/2021,595,3,592,3854,5,0,5,56,154235
7/1/2021,7/31/2021,541,5,536,4390,20,6,14,70,144167
8/1/2021,8/31/2021,57,0,57,4447,6,2,4,74,
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np

data = pd.read_csv("stats.csv")
data.drop(data.tail(1).index, inplace=True)
data.head()
  period_start period_end ... subscribers_total просмотров
0 01.05.2020 31.05.2020 ... 0 128,0
1 01.06.2020 30.06.2020 ... 0 16130,0
2 01.07.2020 31.07.2020 ... 0 14616,0
3 01.08.2020 31.08.2020 ... 0 4053,0
4 01.09.2020 30.09.2020 ... 0 5153,0

[5 строк x 11 столбцов]

В 7-й строке приведенного выше кода я удалил последнюю строку набора данных, поскольку она содержит данные за этот месяц. Теперь я посмотрю, сколько подписчиков я набирал каждый месяц на своей учетной записи с тех пор, как присоединился к этой платформе социальных сетей:

plt.figure(figsize=(15, 10))
sns.set_theme(style="whitegrid")
plt.title("Number of Followers I Gained Every Month")
sns.barplot(x="followers_gained", y="period_end", data=data)
plt.show()

Теперь давайте посмотрим на общее количество подписчиков, которые у меня появляются каждый месяц:

plt.figure(figsize=(15, 10))
sns.set_theme(style="whitegrid")
plt.title("Total Followers At The End of Every Month")
sns.barplot(x="followers_total", y="period_end", data=data)
plt.show()

Теперь давайте посмотрим на одну из самых важных функций, а именно на общее количество просмотров, которые я получаю каждый месяц:

plt.figure(figsize=(15, 10))
sns.set_theme(style="whitegrid")
plt.title("Total Views Every Month")
sns.barplot(x="views", y="period_end", data=data)
plt.show()

Теперь я буду использовать библиотеку autots в Python, которая является одной из лучших библиотек науки о данных для прогнозирования временных рядов. Если вы никогда раньше не использовали эту библиотеку, вы можете легко установить ее в своей системе с помощью команды pip:

pip install autots

Вот как мы можем предсказать рост числа подписчиков, которых мы можем ожидать в течение следующих четырех месяцев:

from autots import AutoTS
model = AutoTS(forecast_length=4, frequency='infer', ensemble='simple')
model = model.fit(data, date_col='period_end', value_col='followers_gained', id_col=None)
prediction = model.predict()
forecast = prediction.forecast
print(forecast)
               followers_gained
2021-08-31 693.465876
2021-09-30 617.750000
2021-10-31 650.000000
2021-11-30 634.750000

Резюме

Вот как вы можете предсказать рост числа ваших подписчиков в любой социальной сети. Как потребитель социальных сетей, количество подписчиков, которые у вас есть, может не представлять для вас интереса, но как создателю контента или как бизнесмену количество подписчиков, которые у вас есть, важно для вашего контента для охвата большей аудитории. Надеюсь, вам понравилась эта статья о задаче прогнозирования подписчиков в социальных сетях с помощью машинного обучения с использованием Python. Не стесняйтесь задавать свои ценные вопросы в разделе комментариев ниже.

Источник:

#Python #Pandas
Комментарии
Чтобы оставить комментарий, необходимо авторизоваться

Присоединяйся в тусовку

Поделитесь своим опытом, расскажите о новом инструменте, библиотеке или фреймворке. Для этого не обязательно становится постоянным автором.

Попробовать

В подарок 100$ на счет при регистрации

Получить