फ़ीचर इम्पोर्टेंस

Marketing Analytics: Python में Customer Churn की भविष्यवाणी

Mark Peterson

Director of Data Science, Infoblox

फ़ीचर इम्पोर्टेंस

स्कोर जो दिखाते हैं कि हर फ़ीचर भविष्यवाणी में कितना योगदान देता है
स्टेकहोल्डर्स को परिणाम समझाने का प्रभावी तरीका

कौन से फ़ीचर churn के मुख्य ड्राइवर हैं?
किन फ़ीचर्स को मॉडल से हटाया जा सकता है?

Interpretability बनाम Accuracy

अलग-अलग मॉडलों की अलग ताकतें होती हैं
प्रेडिक्शन एक्यूरेसी और व्याख्यात्मकता में संतुलन ज़रूरी है

रैंडम फॉरेस्ट फ़ीचर इम्पोर्टेंस

random_forest = RandomForestClassifier()

random_forest.fit(X_train, y_train)

random_forest.feature_importances_

array([0.02716028 0.02960326 0.13820047 0.0700711  0.03798189 0.04722036
 0.13258838 0.07066312 0.02333901 0.02982636 0.13711014 0.0300661
 0.06351097 0.02860241 0.0382932  0.05200864 0.04375429])

अभ्यास करते हैं!

Marketing Analytics: Python में Customer Churn की भविष्यवाणी