Sélection et ingénierie des variables

Marketing Analytics : prédire l’attrition client en Python

Mark Peterson

Director of Data Science, Infoblox

Supprimer les variables inutiles

  • Identifiants uniques
    • Numéros de téléphone
    • Numéros de sécurité sociale
    • Numéros de compte
  • Méthode .drop()
telco.drop(['Soc_Sec', 'Tax_ID'], axis=1)
Marketing Analytics : prédire l’attrition client en Python

Supprimer les variables corrélées

  • Les variables très corrélées peuvent être supprimées
  • Elles n'apportent rien de plus au modèle
Marketing Analytics : prédire l’attrition client en Python
telco.corr()

correlation-1

Marketing Analytics : prédire l’attrition client en Python
telco.corr()

corr_day_mins.png

Marketing Analytics : prédire l’attrition client en Python
telco.corr()

corr_eve_mins.png

Marketing Analytics : prédire l’attrition client en Python
telco.corr()

corr_night_mins.png

Marketing Analytics : prédire l’attrition client en Python
telco.corr()

corr_intl_mins.png

Marketing Analytics : prédire l’attrition client en Python
telco.corr()

corr_day_charge.png

Marketing Analytics : prédire l’attrition client en Python
telco.corr()

corr_eve_charge.png

Marketing Analytics : prédire l’attrition client en Python
telco.corr()

corr_night_charge.png

Marketing Analytics : prédire l’attrition client en Python
telco.corr()

corr_intl_charge.png

Marketing Analytics : prédire l’attrition client en Python

Ingénierie des variables

  • Créer de nouvelles variables pour améliorer les performances du modèle
  • À valider avec les experts métier et du domaine
Marketing Analytics : prédire l’attrition client en Python

Exemples d'ingénierie des variables

  • Minutes totales : somme de Day_Mins, Eve_Mins, Night_Mins, Intl_Mins
  • Ratio entre Minutes et Charge

 

telco['Day_Cost'] = telco['Day_Mins'] / telco['Day_Charge']
Marketing Analytics : prédire l’attrition client en Python

Passons à la pratique !

Marketing Analytics : prédire l’attrition client en Python

Preparing Video For Download...