Featureauswahl und -engineering

Marketing Analytics: Kundenabwanderung in Python vorhersagen

Mark Peterson

Director of Data Science, Infoblox

Unnötige Features entfernen

  • Eindeutige Kennungen
    • Telefonnummern
    • Sozialversicherungsnummern
    • Kontonummern
  • Methode .drop()
telco.drop(['Soc_Sec', 'Tax_ID'], axis=1)
Marketing Analytics: Kundenabwanderung in Python vorhersagen

Korrelation: Features entfernen

  • Stark korrelierte Features können entfernt werden
  • Sie liefern dem Modell keine Zusatzinformation
Marketing Analytics: Kundenabwanderung in Python vorhersagen
telco.corr()

correlation-1

Marketing Analytics: Kundenabwanderung in Python vorhersagen
telco.corr()

corr_day_mins.png

Marketing Analytics: Kundenabwanderung in Python vorhersagen
telco.corr()

corr_eve_mins.png

Marketing Analytics: Kundenabwanderung in Python vorhersagen
telco.corr()

corr_night_mins.png

Marketing Analytics: Kundenabwanderung in Python vorhersagen
telco.corr()

corr_intl_mins.png

Marketing Analytics: Kundenabwanderung in Python vorhersagen
telco.corr()

corr_day_charge.png

Marketing Analytics: Kundenabwanderung in Python vorhersagen
telco.corr()

corr_eve_charge.png

Marketing Analytics: Kundenabwanderung in Python vorhersagen
telco.corr()

corr_night_charge.png

Marketing Analytics: Kundenabwanderung in Python vorhersagen
telco.corr()

corr_intl_charge.png

Marketing Analytics: Kundenabwanderung in Python vorhersagen

Feature Engineering

  • Neue Features erstellen, um die Modellleistung zu verbessern
  • Mit Business- und Fachexpert:innen abstimmen
Marketing Analytics: Kundenabwanderung in Python vorhersagen

Beispiele für Feature Engineering

  • Total Minutes: Summe aus Day_Mins, Eve_Mins, Night_Mins, Intl_Mins
  • Verhältnis zwischen Minutes und Charge

 

telco['Day_Cost'] = telco['Day_Mins'] / telco['Day_Charge']
Marketing Analytics: Kundenabwanderung in Python vorhersagen

Lass uns üben!

Marketing Analytics: Kundenabwanderung in Python vorhersagen

Preparing Video For Download...