> 백엔드 개발 > 파이썬 튜토리얼 > 고객 이탈을 예측하기 위한 의사결정 트리 분류기 예

고객 이탈을 예측하기 위한 의사결정 트리 분류기 예

Linda Hamilton
풀어 주다: 2024-12-10 13:30:11
원래의
953명이 탐색했습니다.

Decision Tree Classifier Example to Predict Customer Churn

고객 이탈을 예측하기 위한 의사결정 트리 분류기 예

개요

이 프로젝트에서는 의사결정 트리 분류기를 사용하여 고객 이탈(고객이 서비스를 떠나는지 여부)을 예측하는 방법을 보여줍니다. 데이터 세트에는 연령, 월 요금, 고객 서비스 통화 등의 기능이 포함되어 있으며 고객 이탈 여부를 예측하는 것이 목표입니다.

모델은 Scikit-learn의 결정 트리 분류기를 사용하여 훈련되며, 코드는 모델이 결정을 내리는 방식을 더 잘 이해하기 위해 결정 트리를 시각화합니다.


사용된 기술

  • Python 3.x: 모델 구축에 사용되는 기본 언어
  • Pandas: 데이터 조작 및 데이터세트 처리용.
  • Matplotlib: 데이터 시각화용(결정 트리 플로팅).
  • Scikit-learn: 모델 훈련 및 평가를 포함한 기계 학습에 사용됩니다.

설명된 단계

1. 필요한 라이브러리 가져오기

import pandas as pd
import matplotlib.pyplot as plt
import warnings
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score
from sklearn import tree
로그인 후 복사
로그인 후 복사
로그인 후 복사
로그인 후 복사
  • 판다(pd):

    • 데이터 조작 및 데이터를 DataFrame 형식으로 로드하는 데 사용됩니다. DataFrame을 사용하면 테이블(행 및 열)과 같은 구조화된 데이터를 구성하고 조작할 수 있습니다.
  • Matplotlib(plt):

    • 데이터를 시각화하는 데 사용되는 플로팅 라이브러리입니다. 여기서는 의사결정 트리를 그래픽으로 그리는 데 사용되며, 이는 트리의 각 노드에서 의사결정이 이루어지는 방식을 이해하는 데 도움이 됩니다.
  • 경고(경고):

    • 경고 모듈은 경고를 억제하거나 처리하는 데 사용됩니다. 이 코드에서는 출력을 깔끔하고 읽기 쉽게 유지하기 위해 불필요한 경고를 무시합니다.
  • Scikit-learn 라이브러리:

    • train_test_split: 이 함수는 데이터세트를 훈련 및 테스트 하위 집합으로 분할합니다. 학습 데이터는 모델을 피팅하는 데 사용되고, 테스트 데이터는 성능을 평가하는 데 사용됩니다.
    • DecisionTreeClassifier: 데이터를 분류하고 고객 이탈을 예측하는 데 사용되는 모델입니다. 의사결정 트리는 기능을 기반으로 트리와 같은 의사결정 모델을 생성하여 작동합니다.
    • accuracy_score: 예측값과 타겟 변수(Churn)의 실제값을 비교하여 모델의 정확도를 계산하는 함수입니다.
    • tree: 이 모듈에는 학습된 의사결정 트리를 시각화하는 기능이 포함되어 있습니다.

2. 경고 억제

import pandas as pd
import matplotlib.pyplot as plt
import warnings
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score
from sklearn import tree
로그인 후 복사
로그인 후 복사
로그인 후 복사
로그인 후 복사
  • 이 줄은 Python에게 모든 경고를 무시하라고 지시합니다. 모델을 실행 중이고 경고(예: 더 이상 사용되지 않는 기능에 대한 경고)로 인해 출력이 복잡해지는 것을 원하지 않을 때 도움이 될 수 있습니다.

3. 합성 데이터세트 생성

warnings.filterwarnings("ignore")
로그인 후 복사
로그인 후 복사
  • 여기서 프로젝트를 위한 합성 데이터세트를 생성합니다. 이 데이터 세트는 Age, MonthlyCharge, CustomerServiceCalls 및 대상 변수 Churn(고객 이탈 여부)과 같은 기능을 사용하여 통신 회사에 대한 고객 정보를 시뮬레이션합니다.

    • CustomerID: 각 고객의 고유 식별자입니다.
    • 연령: 고객의 나이
    • 월간 요금: 고객의 월별 청구서입니다.
    • CustomerServiceCalls: 고객이 고객 서비스에 전화한 횟수
    • Churn: 고객의 이탈 여부(예/아니요).
  • Pandas DataFrame: 데이터는 2차원 레이블이 지정된 데이터 구조인 DataFrame(df)으로 구성되어 있어 데이터를 쉽게 조작하고 분석할 수 있습니다.

4. 데이터를 특성과 대상 변수로 분할

import pandas as pd
import matplotlib.pyplot as plt
import warnings
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score
from sklearn import tree
로그인 후 복사
로그인 후 복사
로그인 후 복사
로그인 후 복사
  • 특징(X): 타겟을 예측하는 데 사용되는 독립변수입니다. 이 경우에는 Age, MonthlyCharge 및 CustomerServiceCalls가 포함됩니다.
  • 타겟 변수(y): 예측하려는 값인 종속 변수입니다. 여기서는 고객의 이탈 여부를 나타내는 Churn 컬럼입니다.

5. 데이터를 학습 세트와 테스트 세트로 분할

warnings.filterwarnings("ignore")
로그인 후 복사
로그인 후 복사
  • train_test_split은 데이터 세트를 훈련 세트(모델 훈련에 사용)와 테스트 세트(모델 평가에 사용)의 두 부분으로 나눕니다.
    • test_size=0.3: 데이터의 30%는 테스트용으로 남겨두고 나머지 70%는 학습용으로 사용됩니다.
    • random_state=42 난수 생성기의 시드를 수정하여 결과의 ​​재현성을 보장합니다.

6. 의사결정나무 모델 훈련

data = {
    'CustomerID': range(1, 101),  # Unique ID for each customer
    'Age': [20, 25, 30, 35, 40, 45, 50, 55, 60, 65]*10,  # Age of customers
    'MonthlyCharge': [50, 60, 70, 80, 90, 100, 110, 120, 130, 140]*10,  # Monthly bill amount
    'CustomerServiceCalls': [1, 2, 3, 4, 0, 1, 2, 3, 4, 0]*10,  # Number of customer service calls
    'Churn': ['No', 'No', 'Yes', 'No', 'Yes', 'No', 'Yes', 'Yes', 'No', 'Yes']*10  # Churn status
}

df = pd.DataFrame(data)
print(df.head())
로그인 후 복사
  • DecisionTreeClassifier()는 의사결정 트리 모델을 초기화합니다.
  • clf.fit(X_train, y_train)은 훈련 데이터를 사용하여 모델을 훈련합니다. 모델은 X_train 특성으로부터 패턴을 학습하여 y_train 목표 변수를 예측합니다.

7. 예측하기

X = df[['Age', 'MonthlyCharge', 'CustomerServiceCalls']]  # Features
y = df['Churn']  # Target Variable
로그인 후 복사
  • clf.predict(X_test): 모델이 훈련된 후 테스트 세트(X_test)에 대한 예측을 수행하는 데 사용됩니다. 이러한 예측값은 y_pred에 저장되며, 이를 실제값(y_test)과 비교하여 모델을 평가하게 됩니다.

8. 모델 평가

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
로그인 후 복사
  • accuracy_score(y_test, y_pred)는 예측된 이탈 라벨(y_pred)을 테스트 세트의 실제 이탈 라벨(y_test)과 비교하여 모델의 정확도를 계산합니다.
  • 정확도는 얼마나 많은 예측이 맞았는지를 나타내는 척도입니다. 평가를 위해 인쇄됩니다.

9. 의사결정나무 시각화

clf = DecisionTreeClassifier()
clf.fit(X_train, y_train)
로그인 후 복사
  • tree.plot_tree(clf,filled=True): 훈련된 의사결정 트리 모델을 시각화합니다. filled=True 인수는 클래스 라벨(Churn/No Churn)을 기준으로 노드 색상을 지정합니다.
  • feature_names: 트리에 표시할 기능(독립변수)의 이름을 지정합니다.
  • class_names: 대상 변수(Churn)에 대한 클래스 레이블을 지정합니다.
  • plt.show(): 트리 시각화를 표시합니다.

코드 실행

  1. 저장소를 복제하거나 스크립트를 다운로드하세요.
  2. 종속성 설치:
import pandas as pd
import matplotlib.pyplot as plt
import warnings
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score
from sklearn import tree
로그인 후 복사
로그인 후 복사
로그인 후 복사
로그인 후 복사
  1. Python 스크립트 또는 Jupyter 노트북을 실행하여 모델을 훈련하고 의사결정 트리를 시각화하세요.

위 내용은 고객 이탈을 예측하기 위한 의사결정 트리 분류기 예의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!

원천:dev.to
본 웹사이트의 성명
본 글의 내용은 네티즌들의 자발적인 기여로 작성되었으며, 저작권은 원저작자에게 있습니다. 본 사이트는 이에 상응하는 법적 책임을 지지 않습니다. 표절이나 침해가 의심되는 콘텐츠를 발견한 경우 admin@php.cn으로 문의하세요.
저자별 최신 기사
인기 튜토리얼
더>
최신 다운로드
더>
웹 효과
웹사이트 소스 코드
웹사이트 자료
프론트엔드 템플릿