Ajustando seu modelo

Análise de Marketing: Prevendo Churn de Clientes em Python

Mark Peterson

Director of Data Science, Infoblox

Relembrando

from sklearn.svm import SVC

svc = SVC()

svc.fit(telco['data'], 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)

Hiperparâmetros de random forest

Parâmetro	Finalidade
n_estimators	Número de árvores
criterion	Qualidade da divisão
max_features	Número de features para a melhor divisão
max_depth	Profundidade máxima da árvore
min_sample_splits	Mínimo de amostras para dividir o nó
bootstrap	Se amostras Bootstrap são usadas

Busca em grade

Grid search no sklearn

from sklearn.model_selection import GridSearchCV

param_grid = {'n_estimators': np.arange(10, 51)}

clf_cv = GridSearchCV(RandomForestClassifier(), param_grid)

clf_cv.fit(X, y)

clf_cv.best_params_

{'n_estimators': 43}

clf_cv.best_score_

0.9237923792379238

Bons ajustes!

Análise de Marketing: Prevendo Churn de Clientes em Python