解約予測

顧客の解約は、顧客の消耗とも呼ばれ、顧客が会社とのビジネスを停止したときに発生します。 新しい顧客を獲得するための価格は、通常、古い顧客を保持するよりも高いため、企業はこれらの顧客のセグメントを識別することに興味がありま たとえば、Netflixが混乱の危険にさらされている顧客のセグメントを知っていれば、単にそれらを失うのではなく、積極的に特別オファーに従事することが

この記事では、Telco Customer Churn datasetを使用して、簡単な顧客解約予測モデルを作成します。 私たちは、かき回された顧客をモデル化するための意思決定ツリー、データ処理のためのpandas、視覚化のためのmatplotlibを選びました。 上記のすべてをPythonで行います。
このコードは、ベースラインモデルを訓練するためにいくつかのマイナーな調整を持つ別のデータセットで使用できます。 我々はまた、いくつかの参照を提供し、新機能や改善のためのアイデアを与えます。このコードを実行するには、このjupyter notebookをダウンロードします。ここに興味を起こさせるかもしれない少数のリンクはある:

- Labeling and Data Engineering for Conversational AI and Analytics- Data Science for Business Leaders - Intro to Machine Learning with PyTorch - Become a Growth Product Manager - Deep Learning (Adaptive Computation and ML series) - Free skill tests for Data Scientists & Machine Learning Engineers

上記のリンクのいくつかは関係団体リンクであり、購入をする 私はあなたの購入から受け取る手数料のためではなく、その品質のためにコースをリンクすることに注意してください。

データセットを読み込んで前処理するためにpandasを使用します。 Telcoデータセットには、多くの列（機能）を持つ行ごとに一つの顧客があります。 すべての欠損値または重複を持つ行はありません（これは実際のデータセットではほとんど発生しません）。 TotalChargesが””に設定されている11個のサンプルがありますが、これはデータの間違いのようです。 これらのサンプルを削除し、型をnumeric(float)に設定します。div>

telco customer churn datasetの最初のいくつかのサンプル

探索的データ分析

データセットには、カテゴリ（複数の値と順序なし）と数値の2種類の機能があります。 機能名のほとんどは、

• Partner:顧客にパートナーがいるかどうか(はい、いいえ)、
• 扶養家族を除いて、自明です: 顧客が扶養家族を持っているかどうか(はい、いいえ)、
• OnlineBackup:顧客がオンラインバックアップを持っているかどうか(はい、いいえ、インターネットサービスなし)、
• テニュア:顧客が会社に滞在した月数、
• MonthlyCharges:顧客に毎月請求される金額、
• TotalCharges:顧客に請求される合計金額。

データセットには7032人の顧客があり、customerID（非情報）とChurn列（ターゲット変数）のない19個のフィーチャがあります。 カテゴリフィーチャのほとんどは、4つ以下の一意の値を持っています。Div>

フィーチャを二つのリストに結合して、それらを共同で分析できるようにします。

categorical_features = 
numerical_features = 
target = "Churn”

数値特徴分布

数値要約技術（平均、標準偏差など。）私たちにスパイク、分布の形を示さず、それを使って外れ値を観察するのは難しいです。 それがヒストグラムを使用する理由です。div>

df.describe()