Визначення та тлумачення чинників відтоку

Machine Learning для маркетингу в Python

Karolis Urbonas

Head of Analytics & Science, Amazon

Візуалізація правил дерева рішень

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)

Як читати діаграму дерева рішень

Візуалізація дерева рішень

Коефіцієнти логістичної регресії

Логістична регресія повертає бета-коефіцієнти
Їх тлумачать як зміну log-odds відтоку за збільшення ознаки на 1 одиницю

Модель логістичної регресії

Отримання коефіцієнтів логістичної регресії

Коефіцієнти можна отримати методом .coef_ у навченої Logistic Regression
```
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.        ]])

Перетворення коефіцієнтів логістичної регресії

Log-odds складно тлумачити
Рішення — обчислити експоненту коефіцієнтів
Це дає зміну odds за збільшення ознаки на 1 одиницю

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']))

Зміст перетворених коефіцієнтів

Експоновані коефіцієнти логістичної регресії

Давайте потренуємось!

Machine Learning для маркетингу в Python