Vorhersagen treffen

Marketing Analytics: Kundenabwanderung in Python vorhersagen

Mark Peterson

Director of Data Science, Infoblox

(Überwachtes) Machine-Learning-Grundlagen

Ziel: Vorhersagen, ob ein Kunde kündigt oder nicht
Zielvariable: 'Churn'
Überwachtes maschinelles Lernen
Aus historischen (Trainings-)Daten lernen, um neue Vorhersagen zu machen

scikit-learn logo

Modellauswahl

Welches Modell verwenden?
… kommt darauf an!
In diesem Kurs: Mit mehreren Modellen experimentieren
Fürs Innenleben: Schau dir andere DataCamp-Kurse an

Modellauswahl

Logistische Regression: Gute Basis
- Einfach und gut erklärbar
- Erfasst komplexere Zusammenhänge nicht
Random Forests
Support Vector Machines

Dein Modell trainieren

from sklearn.svm import SVC

svc = SVC()

svc.fit(telco[features], 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)

Eine Vorhersage treffen

prediction = svc.predict(new_customer)

print(prediction)

[0]

Lass uns üben!

Marketing Analytics: Kundenabwanderung in Python vorhersagen