电信客户流失预测——逻辑回归实战_基于逻辑回归电信客户流失原因

项目背景

AT&T数据，⽤户个⼈，通话，上⽹等信息数据，充分利⽤数据预测客户的流失情况，帮助挽留⽤户，保证⽤户基数和活跃程度。

数据信息

数据集下载：电信客户数据集

1. CustomerID 客户ID
2. Gender 性别
3. partneratt 配偶是否也为att⽤户
4. dependents_att 家⼈是否也是att⽤户
5. landline 是否使⽤att固话服务
6. internet_att/internet_other 是否使⽤att的互联⽹服务
7. Paymentbank/creditcard/electroinc 付款⽅式
8. MonthlyCharges 每⽉话费
9. TotalCharges 累计话费
10. Contract_month/1year ⽤户使⽤⽉度/年度合约
11. StreamingTv/streamingMovies 是否使⽤在线视频或者电影app
12. Churn 客户转化的flag

处理流程

1. 基本数据处理
   • 基本数据信息
   • 缺失值和异常值处理
2. 描述性分析(单变量分析)
   • 连续型变量的指标
   • 离散型变量的类别
   • 预测样本比例
3. 相关性分析(多变量相关性)
   • 连续变量的相关性分析
   • 相关性热力图
4. 特征工程
   • 数据分割
   • 数据标准化处理
5. 逻辑回归模型
   • 逻辑回归应用
   • 模型评估

具体代码如下

导入所有用到的包

# 导入包
import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import classification_report
from sklearn.metrics import roc_auc_score
from sklearn.linear_model import LogisticRegression
1
2
3
4
5
6
7
8
9
10

1.基本数据处理

导入数据并查看数据信息

# 导入数据集，并查看数据基本信息
df = pd.read_csv('churn.csv', sep=',', encoding='utf-8')
df.info()
1
2
3

离散变量数值化，并去除没用的特征

# 离散型变量转化为数值型
churn_df = pd.get_dummies(df)
# 去除重复的数据
churn_df.drop(['Churn_No', 'gender_Female'], axis=1, inplace=True)
churn_df.columns = churn_df.columns.str.lower()
churn_df.head()
1
2
3
4
5
6

描述性分析

根据是否流失进行分组

churn_df = churn_df.rename(columns={'churn_yes':'flag'})
churn_df.flag.value_counts(1)
1
2

因为大部分数据都是0或者1，所以不对数据进行描述性分析

相关性分析

查看相关性

churn_df.groupby('flag').mean()
1

目标特征的相关性排序

cor_data = churn_df.corr()
cor_data[['flag']].sort_values('flag', ascending=False)
1
2

相关性热力图

sns.heatmap(data=cor_data)
1

相关性较强的四组分类统计图

sns.countplot(y = 'contract_month', hue='flag', data=churn_df)# 图1
sns.countplot(y = 'internet_other', hue='flag', data=churn_df) # 图2
sns.countplot(y = 'paymentelectronic', hue='flag', data=churn_df) # 图3
sns.countplot(y = 'streamingtv', hue='flag', data=churn_df) # 图4
1
2
3
4

特征工程和模型应用

由于数据比较准备，不用进行数据标准化处理，直接将特征工程和模型应用放在一起
四个特征属性进行训练

# 对数据集进行分割
y = churn_df['flag']
X = churn_df[['streamingtv', 'paymentelectronic','internet_other','contract_month']]
X_train, X_test, y_train, y_test  = train_test_split(X,y, train_size=0.2, random_state=22)

# 由于数据集都是0和1，不用进行标准化或者归一化处理，直接进行模型训练
model = LogisticRegression()
model.fit(X_train, y_train)

print('系数：', model.coef_)
print('截距：', model.intercept_)
y_pre = model.predict(X_test)
print('模型评估：',classification_report(y_test,y_pre))
print('AUC值：', roc_auc_score(y_test, y_pre))
1
2
3
4
5
6
7
8
9
10
11
12
13
14

三个特征属性进行训练

# 对数据集进行分割
y = churn_df['flag']
X = churn_df[['streamingtv','internet_other','contract_month']]
X_train, X_test, y_train, y_test  = train_test_split(X,y, train_size=0.2, random_state=22)

# 由于数据集都是0和1，不用进行标准化或者归一化处理，直接进行模型训练
model = LogisticRegression()
model.fit(X_train, y_train)

print('系数：', model.coef_)
print('截距：', model.intercept_)
y_pre = model.predict(X_test)
print('模型评估：',classification_report(y_test,y_pre))
print('AUC值：', roc_auc_score(y_test, y_pre))
1
2
3
4
5
6
7
8
9
10
11
12
13
14

从以上两组数据可以看出，一开始选的四个特征属性有一定的相关性，导致流失AUC值较低，但降为三个特征属性后，AUC值升高，精确率也得到升高。