Feature importances

Marketing Analytics: การพยากรณ์การเลิกใช้บริการของลูกค้าด้วย Python

Mark Peterson

Director of Data Science, Infoblox

Feature importances

คะแนนที่แสดงว่าแต่ละ feature มีส่วนสนับสนุนการพยากรณ์มากเพียงใด
วิธีที่มีประสิทธิภาพในการสื่อสารผลลัพธ์ต่อผู้มีส่วนได้ส่วนเสีย

feature ใดเป็นปัจจัยสำคัญที่ขับเคลื่อนการเลิกใช้บริการ?
feature ใดสามารถตัดออกจากโมเดลได้?

ความสามารถในการอธิบาย vs ความแม่นยำ

แต่ละโมเดลมีจุดแข็งที่แตกต่างกัน
ต้องสร้างสมดุลระหว่างความแม่นยำในการพยากรณ์กับความสามารถในการอธิบายโมเดล

Feature importances ของ Random Forest

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])

มาฝึกกันเถอะ!

Marketing Analytics: การพยากรณ์การเลิกใช้บริการของลูกค้าด้วย Python