特征选择与工程

营销分析：用 Python 预测客户流失

Mark Peterson

Director of Data Science, Infoblox

删除不必要的特征

  • 唯一标识
    • 电话号码
    • 社会保障号
    • 账户号
  • .drop() 方法
telco.drop(['Soc_Sec', 'Tax_ID'], axis=1)
营销分析：用 Python 预测客户流失

删除相关特征

  • 可删除高度相关的特征
  • 它们不给模型提供额外信息
营销分析：用 Python 预测客户流失
telco.corr()

相关性-1

营销分析：用 Python 预测客户流失
telco.corr()

相关矩阵：白天通话分钟

营销分析：用 Python 预测客户流失
telco.corr()

相关矩阵：晚间通话分钟

营销分析：用 Python 预测客户流失
telco.corr()

相关矩阵：夜间通话分钟

营销分析：用 Python 预测客户流失
telco.corr()

相关矩阵：国际通话分钟

营销分析：用 Python 预测客户流失
telco.corr()

相关矩阵：白天话费

营销分析：用 Python 预测客户流失
telco.corr()

相关矩阵：晚间话费

营销分析：用 Python 预测客户流失
telco.corr()

相关矩阵：夜间话费

营销分析：用 Python 预测客户流失
telco.corr()

相关矩阵：国际话费

营销分析：用 Python 预测客户流失

特征工程

  • 创建新特征以提升模型表现
  • 应与业务与领域专家沟通
营销分析：用 Python 预测客户流失

特征工程示例

  • 总分钟数：Day_Mins、Eve_Mins、Night_Mins、Intl_Mins 之和
  • 分钟与费用的比值

 

telco['Day_Cost'] = telco['Day_Mins'] / telco['Day_Charge']
营销分析：用 Python 预测客户流失

Passons à la pratique !

营销分析：用 Python 预测客户流失

Preparing Video For Download...