Tworzenie prognoz

Marketing Analytics: Przewidywanie rezygnacji klientów w Pythonie

Mark Peterson

Director of Data Science, Infoblox

Wprowadzenie do (nadzorowanego) uczenia maszynowego

Cel: przewidzieć, czy klient zrezygnuje z usługi
Zmienna docelowa: 'Churn'
Nadzorowane uczenie maszynowe
Nauka na danych historycznych (treningowych) w celu tworzenia prognoz

Logo scikit-learn

Wybór modelu

Który model wybrać?
... to zależy!
W tym kursie: eksperymentowanie z kilkoma modelami
Aby poznać ich działanie: inne kursy DataCamp

Wybór modelu

Regresja logistyczna: dobry punkt wyjścia
- Prosta i interpretowalana
- Nie uchwytuje złożonych zależności
Lasy losowe
Maszyny wektorów nośnych

Trenowanie modelu

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)

Tworzenie prognozy

prediction = svc.predict(new_customer)

print(prediction)

[0]

Czas na ćwiczenia!

Marketing Analytics: Przewidywanie rezygnacji klientów w Pythonie