Terk etme etkenlerini belirleyin ve yorumlayın

Python ile Pazarlama için Machine Learning

Karolis Urbonas

Head of Analytics & Science, Amazon

Karar ağacı kurallarını görselleştirme

from sklearn import tree
import graphviz

exported = tree.export_graphviz(
            decision_tree=mytree, 
            out_file=None,
            feature_names=cols, 
            precision=1, 
            class_names=['Not churn','Churn'],
            filled = True)

graph = graphviz.Source(exported)
display(graph)

Karar ağacı grafiğini yorumlama

Karar ağacı görselleştirmesi

Lojistik regresyon katsayıları

Lojistik regresyon beta katsayıları döndürür
1 birim özellik artışıyla ilişkilendirilen terk etme log-olasılığı değişimi olarak yorumlanır

Lojistik Regresyon Modeli

Lojistik regresyon katsayılarını çıkarma

Katsayılar, eğitilmiş Logistic Regression örneğinde .coef_ ile alınır
```
logreg.coef_
```

array([[ 0.        ,  0.09784772,  0.        , -0.03935476, -0.82068131,
        -0.41231806, -0.14319622, -0.01746504, -0.41830733,  0.        ,
         0.        ,  0.07138468,  0.        ,  0.        ,  0.        ,
         0.        , -0.41424363, -0.59539021,  0.        ,  0.18846525,
         0.        , -0.90766135,  0.90151342,  0.        ]])

Lojistik regresyon katsayılarını dönüştürme

Log-olasılık yorumlaması zordur
Çözüm: katsayıların üssünü almak
Bu, 1 birim özellik artışıyla ilişkili olasılık oranı değişimini verir

coefficients = pd.concat([pd.DataFrame(train_X.columns),
               pd.DataFrame(np.transpose(logit.coef_))], 
               axis = 1)
coefficients.columns = ['Feature', 'Coefficient']

coefficients['Exp_Coefficient'] = np.exp(coefficients['Coefficient'])

coefficients = coefficients[coefficients['Coefficient']!=0]
print(coefficients.sort_values(by=['Coefficient']))

Dönüşmüş katsayıların anlamı

Lojistik Regresyon Katsayıları

Hadi pratik yapalım!

Python ile Pazarlama için Machine Learning