Repérer et interpréter les facteurs de désabonnement

Machine Learning pour le marketing en Python

Karolis Urbonas

Head of Analytics & Science, Amazon

Tracer les règles de l'arbre de décision

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)

Interpréter le graphique de l'arbre de décision

Visualisation d'un arbre de décision

Coefficients de régression logistique

La régression logistique renvoie des coefficients bêta
Ils se lisent comme la variation des log-cotes de désabonnement pour une hausse d'une unité de la caractéristique

Modèle de régression logistique

Extraction des coefficients de la régression logistique

Extraire les coefficients avec la méthode .coef_ de l'instance de régression logistique ajustée
```
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.        ]])

Transformer les coefficients de régression logistique

Les log-cotes sont difficiles à interpréter
Solution : calculer l'exponentielle des coefficients
On obtient ainsi la variation des cotes pour une hausse d'une unité de la caractéristique

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']))

Interprétation des coefficients transformés

Coefficients de régression logistique

Passons à la pratique !

Machine Learning pour le marketing en Python