การปรับแต่งโมเดล

Marketing Analytics: การพยากรณ์การเลิกใช้บริการของลูกค้าด้วย Python

Mark Peterson

Director of Data Science, Infoblox

ทบทวนความรู้

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)

Hyperparameter ของ Random Forest

พารามิเตอร์	วัตถุประสงค์
n_estimators	จำนวนต้นไม้
criterion	คุณภาพของการแบ่ง
max_features	จำนวนฟีเจอร์สำหรับการแบ่งที่ดีที่สุด
max_depth	ความลึกสูงสุดของต้นไม้
min_sample_splits	จำนวนตัวอย่างขั้นต่ำในการแบ่งโหนด
bootstrap	ใช้ Bootstrap samples หรือไม่

Grid search

Grid search ใน 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

ปรับแต่งให้สนุก!

Marketing Analytics: การพยากรณ์การเลิกใช้บริการของลูกค้าด้วย Python