Ajuster votre modèle

Marketing Analytics : prédire l’attrition client en Python

Mark Peterson

Director of Data Science, Infoblox

Rappel

from sklearn.svm import SVC

svc = SVC()

svc.fit(telco['data'], telco['target'])

SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0,
  decision_function_shape='ovr', degree=3, gamma='scale', kernel='rbf',
  max_iter=-1, probability=False, random_state=None, shrinking=True,
  tol=0.001, verbose=False)

Hyperparamètres de la forêt aléatoire

Paramètre	Objectif
n_estimators	Nombre d'arbres
criterion	Qualité de la séparation
max_features	Nombre de variables pour la meilleure séparation
max_depth	Profondeur maximale de l'arbre
min_sample_splits	Minimum d'échantillons pour scinder un nœud
bootstrap	Utilisation d'échantillons Bootstrap

Recherche par grille

Recherche par grille avec sklearn

from sklearn.model_selection import GridSearchCV

param_grid = {'n_estimators': np.arange(10, 51)}

clf_cv = GridSearchCV(RandomForestClassifier(), param_grid)

clf_cv.fit(X, y)

clf_cv.best_params_

{'n_estimators': 43}

clf_cv.best_score_

0.9237923792379238

Bon réglage !

Marketing Analytics : prédire l’attrition client en Python