Kapitel 7. Training eigener ML-Modelle in Python
Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: translation-feedback@oreilly.com
In diesem Kapitel lernst du, wie du Klassifizierungsmodelle zur Vorhersage der Kundenabwanderung mit zwei beliebten ML-Bibliotheken in Python, scikit-learn und Keras, erstellen kannst. Zuerst wirst du deine Daten mit Pandas untersuchen und bereinigen. Dann lernst du, wie du mit scikit-learn kategoriale Merkmale mit Hilfe von One-Hot-Encoding für das Training vorbereitest, ein logistisches Regressionsmodell trainierst, die Leistung des Modells mit Hilfe von Bewertungsmetriken verstehst und die Modellleistung verbesserst. Du lernst, wie du dieselben Schritte mit Keras durchführst, um mit den bereits vorbereiteten Daten ein Klassifizierungsmodell mit einem neuronalen Netzwerk zu erstellen. Nebenbei erfährst du mehr über Leistungskennzahlen für Klassifizierungsmodelle und wie du eine Konfusionsmatrix besser verstehen kannst, um deine Klassifizierungsmodelle besser zu bewerten.
Der für dieses Kapitel verwendete Datensatz, der IBM Telco Customer Churn-Datensatz, ist ein beliebter Datensatz, um zu lernen, wie man Kundenabwanderung modelliert. Du solltest dich ermutigt fühlen, dir weitere Beispiele für die Arbeit mit diesem Datensatz anzusehen, um dein Wissen zu erweitern, nachdem du die Übungen in diesem Kapitel abgeschlossen hast.
Der Business Use Case: Vorhersage der Kundenabwanderung
Dein Ziel in diesem ...
Get Low-Code AI now with the O’Reilly learning platform.
O’Reilly members experience books, live events, courses curated by job role, and more from O’Reilly and nearly 200 top publishers.
