Churn-Prediction-of-Bank-Customers:预测银行客户流失

项目名 CHURN MODELING 2.0：使用Python和Sci-Kit进行预测建模学习 项目简介/目标 该项目的目的是预测特定客户离开银行的可能性。 我们还将找出银行应采取什么措施来留住客户并阻止他们离开。 这些是主要目标，但银行欢迎分析期间发现的任何其他见解。 项目描述 数据最初属于在3个国家/地区运营的银行：法国，西班牙和德国。 但是由于我的大多数观众很可能来自加纳，因此我决定将地理变量分别替换为阿克拉，库马西和博尔加，以便于理解。 因此，在数据集中，您将看到这三个加纳地区而不是国家。 现在，该银行近来一直在经历快速的客户流失。 这意味着客户以异常高的速度离开银行，管理层希望找出问题所在，以及如何做才能留住客户。 我使用称为Gretl的软件工具完成了该项目的原型。 但是在这里，我将使用Python和相关库。 该项目是逻辑回归算法的应用。 我们正在尝试计算特定客户是否离开银行的二

橙色电信的客户流失数据集将用于开发预测模型，该数据集由清除的客户活动数据（功能）以及指定客户是否取消订阅的客户流失标签组成。这里提供了两个数据集：可以下载churn-80和churn-20数据集。 telecom_churn.csv

Orange telecom 客户流失情况数据源, 3333 条数据，21个特征， 可用户客户流失分析，聚类分析，客户流失预测等

churn数据集

电信客户流失 重点客户保留计划 WA_Fn-UseC_-Telco-Customer-Churn.csv

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。

分类客户流失 在这里，使用数据集对客户是否流失进行分类。 使用数据集EDA已完成。 在执行此操作时，我们将 使用iqr和z-scores方法处理outliers 使用backward elimination功能进行特征选择 目录 入门 该可在Kaggle上使用，可在创建该笔记本的相同环境中使用，即使用所使用的相同版本的软件包等。 EDA 相关矩阵 计数图（数据集的不平衡程度） 模型表现 不同模型的交叉验证分数 学习曲线 混淆矩阵，无归一化 执照 APACHE许可，版本2.0

Telco-Customer-Churn.csv 来源 https://github.com/ibm/telco-customer-churn-on-icp4d 这数据是原作者处理过的，没有包含所有特征，但可以用来训练一下模型

银行客户流失预测 该存储库包含与银行客户流失预测项目相关的文件。