找出並解讀流失驅動因素

Python 的行銷機器學習

Karolis Urbonas

Head of Analytics & Science, Amazon

繪製決策樹規則

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)

解讀決策樹圖

決策樹視覺化

邏輯斯迴歸係數

邏輯斯迴歸會回傳 beta 係數
可解讀為特徵增加 1 單位時，流失的「對數勝算」變化

邏輯斯迴歸模型

擷取邏輯斯迴歸係數

可用已擬合的 Logistic Regression 物件的 .coef_ 取出係數
```
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.        ]])

轉換邏輯斯迴歸係數

「對數勝算」不易直觀解讀
作法：計算係數的「指數」
可得到特徵增加 1 單位時，「勝算」的變化

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']))

轉換後係數的意義

邏輯斯迴歸係數（指數化）

一起來練習吧！

Python 的行銷機器學習