На этой неделе я работал над модулем 3: Машинное обучение для классификации в ML Zoomcamp 2026. Целью было создать модель, которая могла бы помочь телекоммуникационной компании выявить клиентов, которые, скорее всего, уйдут. Работа над проектом помогла мне...
На этой неделе я работал над модулем 3: Машинное обучение для классификации в ML Zoomcamp 2026.
Целью было создать модель, которая могла бы помочь телекоммуникационной компании выявить клиентов, которые, скорее всего, уйдут. Работа над проектом помогла мне связать несколько концепций машинного обучения с практической задачей.
Над чем я работал
Подготовка данных и исследовательский анализ данных
Я изучил набор данных об оттоке клиентов Telco, изучил целевую переменную, проверил недостающие значения и посмотрел, как распределяются различные функции.
Важность функции
Я узнал разные способы понять взаимосвязь между функциями и оттоком клиентов:
Коэффициент риска и разница рисков для категориальных переменных
Взаимная информация для измерения того, насколько информативны категориальные признаки относительно цели.
Коэффициенты корреляции для изучения взаимосвязей между числовыми признаками
Одним из наиболее примечательных выводов было то, что тип контракта имел наибольшую взаимную информацию среди исследованных нами категориальных характеристик.
Горячее кодирование с помощью DictVectorizer
Поскольку модели машинного обучения требуют числовых входных данных, я использовал «DictVectorizer» Scikit-Learn для преобразования категориальных признаков в числовые представления. Это п