python

Расчет оттока клиентов банка (решение задачи с помощью Python)

  • четверг, 25 мая 2017 г. в 03:14:04
https://habrahabr.ru/post/329334/
  • Занимательные задачки
  • Python


Хочу поделиться опытом решения задачи по машинному обучению и анализу данных от Kaggle. Данная статья позиционируется как руководство для начинающих пользователей на примере не совсем простой задачи.

Выборка данных


Выборка данных содержит порядка 10000 строк и 15 столбцов.Вот некоторые из параметров:

  • Возраст
  • Пол
  • Количество денежных средств на счету

Задача


  1. Найти параметры максимально влияющие на отток клиентов.
  2. Создание гипотезы, предсказывающей отток клиентов банка.

Инструментарий


  • pandas
  • sklearn
  • matplotlib
  • numpy

Импорт библиотек


import pandas as pd
from sklearn.cross_validation import train_test_split
from sklearn import svm 
import seaborn as sns 
import matplotlib.pyplot as plt
from sklearn.metrics import mean_squared_error
import numpy as np
from sklearn.naive_bayes import GaussianNB

Загрузка и просмотр данных


dataframe = pd.read_csv("../input/Churn_Modelling.csv")
dataframe.head()



Преобразование данных


Для правильной работы классификатора необходимо преобразование категориального признака в числовой.На представленных выше данных в глаза сразу бросается два столбца: «Пол» и «Географическое положение». Проведем преобразования:

dataframe['Geography'].replace("France",1,inplace= True)
dataframe['Geography'].replace("Spain",2,inplace = True)
dataframe['Geography'].replace("Germany",3,inplace=True)
dataframe['Gender'].replace("Female",0,inplace = True)
dataframe['Gender'].replace("Male",1,inplace=True)

Создание корреляционной матрицы


correlation = dataframe.corr()
plt.figure(figsize=(15,15))
sns.heatmap(correlation, vmax=1, square=True,annot=True,cmap='cubehelix')

plt.title('Correlation between different fearures')
plt.show()



Корреляционная показывает, какие параметры будут влиять на результат. Сразу можно выделить 3 положительные корреляции: «Баланс счета», «Возраст», «Географическое положение».

Кросс валидация


Для избежания проблем с переобучением разделим наш набор данных:

X_train, X_test, y_train, y_test = train_test_split(
  X, Y, test_size=0.4, random_state=0)

Прогноз


clf = GaussianNB()
clf = clf.fit(X_train ,y_train)
clf.score(X_test, y_test)


Точность предсказания составила ~78%, что является неплохим результатом.