Ajuster votre modèle

Analytique marketing : prédire l'attrition de la clientèle avec Python

Mark Peterson

Director of Data Science, Infoblox

Rappel

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)
Analytique marketing : prédire l'attrition de la clientèle avec Python

Hyperparamètres de la forêt aléatoire

Paramètre Rôle
n_estimators Nombre d'arbres
criterion Qualité de la division
max_features Nombre de caractéristiques pour la meilleure division
max_depth Profondeur max de l'arbre
min_sample_splits Échantillons min pour diviser un nœud
bootstrap Utilisation d'échantillons Bootstrap
Analytique marketing : prédire l'attrition de la clientèle avec Python

Recherche par grille

Analytique marketing : prédire l'attrition de la clientèle avec Python

Recherche par grille avec 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
Analytique marketing : prédire l'attrition de la clientèle avec Python

Bon ajustement !

Analytique marketing : prédire l'attrition de la clientèle avec Python

Preparing Video For Download...