Dein Modell tunen

Marketing Analytics: Kundenabwanderung in Python vorhersagen

Mark Peterson

Director of Data Science, Infoblox

Auffrischung

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)

Hyperparameter im Random Forest

Parameter	Zweck
n_estimators	Anzahl der Bäume
criterion	Qualität des Splits
max_features	Anzahl Features für besten Split
max_depth	Maximale Tiefe des Baums
min_sample_splits	Minimale Stichprobe zum Knoten-Split
bootstrap	Ob Bootstrap-Stichproben verwendet werden

Grid Search

Grid Search in 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

Viel Spaß beim Tuning!

Marketing Analytics: Kundenabwanderung in Python vorhersagen