Importances des variables

Marketing Analytics : prédire l’attrition client en Python

Mark Peterson

Director of Data Science, Infoblox

Importances des variables

  • Scores indiquant la contribution de chaque variable à la prédiction
  • Moyen efficace de communiquer les résultats aux parties prenantes

 

  • Quelles variables expliquent le churn ?
  • Quelles variables peut-on retirer du modèle ?
Marketing Analytics : prédire l’attrition client en Python

Interprétabilité vs précision

  • Les modèles ont des forces différentes
  • Trouver l'équilibre entre précision et interprétabilité
Marketing Analytics : prédire l’attrition client en Python

Importances des variables dans la forêt aléatoire

random_forest = RandomForestClassifier()

random_forest.fit(X_train, y_train)

random_forest.feature_importances_

array([0.02716028 0.02960326 0.13820047 0.0700711  0.03798189 0.04722036
 0.13258838 0.07066312 0.02333901 0.02982636 0.13711014 0.0300661
 0.06351097 0.02860241 0.0382932  0.05200864 0.04375429])
Marketing Analytics : prédire l’attrition client en Python

Passons à la pratique !

Marketing Analytics : prédire l’attrition client en Python

Preparing Video For Download...