ML dan EDA App Deployment

Aplikasi Streamlit ini menawarkan penyelesaian lengkap untuk analisis dan ramalan pelanggan Telco. Mari kita meneroka ciri dan fungsinya yang utamanya.

Komponen aplikasi:

Aplikasi ini terdiri daripada tiga modul utama: sistem pengesahan, analisis data penerokaan (EDA) papan pemuka, dan model ramalan telco.

1. Pengesahan selamat:

Modul Pengesahan (

) menyediakan sistem log masuk yang mantap yang memaparkan: authenticationapp.py

Nama pengguna dan log masuk berasaskan kata laluan.
Integrasi dengan Google dan Facebook untuk log masuk sosial.
Mesej mengalu -alukan pada log masuk yang berjaya.
pilihan untuk menunjukkan/menyembunyikan kata laluan.

2. Dashboard EDA interaktif:

EDA Dashboard () memudahkan penerokaan data yang komprehensif:

edaapp.py

menyokong muat naik fail CSV dan Excel.

• menggunakan caching data untuk prestasi yang lebih cepat.
• Termasuk bar sisi navigasi intuitif.
• menyesuaikan dengan lancar ke pelbagai saiz skrin.

3. Enjin ramalan telco churn:

Modul Ramalan (

) menggabungkan saluran paip pemprosesan data yang canggih dan model pembelajaran mesin berganda:

telcochurnapp.py

Pemprosesan Data:

Pipeline mengendalikan langkah -langkah pra -proses preprocessing termasuk:

imputasi nilai yang hilang menggunakan

.
• SimpleImputer ciri skala dengan
.
• StandardScaler Pengekodan satu-panas untuk ciri-ciri kategori.

Model Pembelajaran Mesin:

aplikasi melatih dan menggunakan beberapa model:

pengelas hutan rawak

• regresi logistik
• Kelas Meningkatkan Kecerunan
Sistem secara automatik menilai prestasi model dan menyediakan ramalan masa nyata, menggabungkan pengendalian ralat yang mantap.

Butiran Teknikal:

Model Latihan Leverages

untuk pemisahan data dan menggunakan model caching (

) untuk kecekapan. Coretan kod di bawah menggambarkan proses latihan model: train_test_split @st.cache_data

<code class="language-python">@st.cache_data
def train_models(_X, y):
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
    models = {
        "Random Forest": RandomForestClassifier(random_state=42),
        "Logistic Regression": LogisticRegression(random_state=42),
        "Gradient Boosting": GradientBoostingClassifier(random_state=42)
    }
    # ... (rest of the training and evaluation logic)</code>

Pengalaman Pengguna:

Aplikasi ini menawarkan antara muka mesra pengguna:

Reka bentuk lebar lebar untuk tontonan optimum.

• Sidebar navigasi yang mudah. ​​
• fungsi muat naik fail intuitif.
• paparan ramalan masa nyata.
Aplikasi ini dengan berkesan menggabungkan teknik pembelajaran mesin canggih dengan antara muka pengguna yang diperkemas, menyediakan alat yang berkuasa untuk menganalisis dan meramalkan pelanggan telco.

Pengakuan:

Penulis mengucapkan terima kasih kepada Azubi Africa untuk program latihan yang berkesan. Untuk maklumat lanjut mengenai Azubi Africa dan inisiatif mereka, sila lawati [pautan ke azubi africa].

tags: sains data azubi

Atas ialah kandungan terperinci ML dan EDA App Deployment. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!