文件名称：Customer_Churn_Prediction_Project:建立客户流失预测模型
文件大小：2.06MB
文件格式：ZIP
更新时间：2024-05-01 10:56:58
JupyterNotebook
客户流失预测项目 数据： ： 熊猫，numpy，matplotlib，seaborn，plotly，sklearn，xgboost 建立客户流失预测模型： 探索性数据分析 特征工程 使用Logistic回归调查功能如何影响保留率 使用XGBoost构建分类模型 流失预测 保留率表明您的产品市场适合度（PMF）有多好。 如果您的PMF不满意，您应该很快就会看到客户流失。 提升保留率（因此称为PMF）的强大工具之一是Churn Prediction。 通过使用此技术，您可以轻松找出在给定时间段内可能流失的人。 在本文中，我们将使用Telco数据集（ ），并执行以下步骤来开发Churn预测模型： 探索性数据分析 特征工程 使用Logistic回归调查功能如何影响保留率 使用XGBoost构建分类模型 探索性数据分析（EDA） 数据分为两类： 分类功能：性别，电视流，付款方式等。
【文件预览】：
Customer_Churn_Prediction_Project-main
----Churn Prediction.ipynb(5.16MB)
----images()
--------phone.png(18KB)
--------Monthly_charge_cluster_vs.png(19KB)
--------tenure_cluster_vs_churn_rate.png(18KB)
--------Elbow_method.png(8KB)
--------Streaming_Movies.png(20KB)
--------online_security.png(19KB)
--------payment_methods.png(21KB)
--------Feature_importance.png(72KB)
--------Paperless.png(17KB)
--------Streaming_TV.png(20KB)
--------tech_support.png(18KB)
--------classification_report.png(4KB)
--------partner.png(17KB)
--------device_protection.png(19KB)
--------gender.png(19KB)
--------tenure_based_churn_rate.png(36KB)
--------contract.png(17KB)
--------multiple_lines.png(21KB)
--------internet.png(19KB)
--------GLM.png(67KB)
--------total_charge_clsuter_vs.png(19KB)
--------online_backup.png(19KB)
----README.md(3KB)