Feature-Importances

Marketing Analytics: Kundenabwanderung in Python vorhersagen

Mark Peterson

Director of Data Science, Infoblox

Feature-Importances

Scores, die zeigen, wie stark jedes Feature zur Vorhersage beiträgt
Wirksamer Weg, Ergebnisse Stakeholdern zu vermitteln

Welche Features treiben Churn?
Welche Features können aus dem Modell entfernt werden?

Interpretierbarkeit vs. Genauigkeit

Verschiedene Modelle haben unterschiedliche Stärken
Balance zwischen Genauigkeit und Interpretierbarkeit nötig

Feature-Importances im Random Forest

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])

Lass uns üben!

Marketing Analytics: Kundenabwanderung in Python vorhersagen