pandas로 요약 통계를 계산하고 Seaborn으로 보기 좋은 시각화를 만들어 Telco Churn 데이터셋을 탐색해 봅시다.

코스에 오신 것을 환영합니다

고객 이탈 정의하기

고객 이탈 탐색하기

데이터 그룹화와 요약

두 클래스에 대한 요약 통계

주(state)별 이탈(Churn) 현황

시각화를 사용해 데이터 탐색하기

특성 분포 탐색하기

고객센터 전화와 이탈(Churn)

탐색적 데이터 분석

데이터를 탐색했다면 이제 전처리를 통해 Machine Learning에 적합하게 준비할 차례예요. 특징 선택과 특징 공학을 포함해 전처리의 필요성과 방법을 익혀 보세요.

데이터 전처리

변환할 특성 식별하기

이진 특성 인코딩

원-핫 인코딩

특성 스케일링

특성 선택과 엔지니어링

불필요한 특성 제거하기

새 열 만들기(Feature Engineering)

이탈 모델링을 위한 전처리

데이터 전처리가 끝났다면 이제 이탈을 예측할 시간이에요! scikit-learn을 사용해 Python에서 지도 학습 모델을 구축하는 방법을 배웁니다.

예측 만들기

신규 고객의 이탈 여부 예측하기

또 다른 scikit-learn 모델 학습하기

모델 성능 평가

학습용/시험용 데이터 세트 만들기

각 세트의 길이 확인

정확도 계산하기

모델 지표

혼동 행렬

학습 데이터셋 크기 바꾸기

정밀도와 재현율 계산하기

기타 모델 지표

ROC 곡선

곡선 아래 면적

Precision-recall 곡선

F1 점수

이탈 예측

하이퍼파라미터 튜닝으로 모델 성능을 향상시키고, 비즈니스에 바로 적용할 수 있는 고객 이탈 요인에 대한 이해를 높여 보세요.

모델 튜닝하기

특성 수 튜닝하기

다른 하이퍼파라미터 튜닝하기

랜덤 탐색

특성 중요도

변수 중요도 시각화

플롯 개선하기

특성 중요도 해석하기

새로운 특성 추가하기

모델 성능이 향상될까요?

다른 평가지표 계산하기

마무리 생각

모델 튜닝

Telco Churn Dataset

이탈(churn)은 고객이 거래를 중단하거나 기업과의 관계를 끝내는 것을 의미해요. 통신, 케이블 TV, SaaS 등 다양한 산업에서 흔한 문제이며, 이탈을 예측할 수 있는 기업은 선제적으로 대응해 가치 있는 고객을 유지하고 경쟁에서 앞설 수 있어요. 이 강의는 고객 이탈 예측 모델을 직접 만들 수 있도록 로드맵을 제공해요. 데이터를 탐색하고 시각화하는 방법, 모델링을 위한 전처리, Machine Learning을 활용한 예측, 그리고 이해관계자에게 중요한 인사이트를 명확히 전달하는 방법을 배우게 됩니다. 강의가 끝나면 데이터 분석을 위한 pandas와 Machine Learning을 위한 scikit-learn을 능숙하게 사용할 수 있게 될 거예요.

Data Manipulation with pandas

Python을 사용해 고객 이탈 분석 및 예측 모델을 구축하는 방법을 배우세요.

마케팅 애널리틱스: Python으로 고객 이탈 예측하기

Python으로 고객 이탈을 분석하고, 이를 예측하는 모델을 구축하는 방법을 학습하세요.

특성 선택과 엔지니어링

Create Your Free Account