python数据分析与机器学习-用户流失预警

    本文针对某网站游戏用户数据，运用python、pandas、matplotlib及sklearn，对初始数据进行数据清理，并结合机器学习的一些算法，建立关于用户流失预警的简单模型，重点是模型评估指标，可作为入门机器学习的小案例。
1.加载数据，查看数据特征，分析特征。





2.删除无用特征，处理字符型特征及样本标签(可参考贷款申请利润最大化)，将数据标准化，消除量纲对机器学习建模的影响，这里使用sklearn自带的数据标准化函数。



3.由于本案例样本数目有限，建模时采用交叉验证的方式，首先建立模型训练函数，便于后期更换机器学习算法时直接调用。



4.接下来考虑模型效果评估指标，一般情况下采取precision进行模型效果评估，但考虑本案例是用户流失预警，其需求为：对于流失用户，我们预测的准确率应该更高才更合适，即考虑召回率recall，故引用混淆矩阵。



5.下面是运用SVM，RF，KNN算法训练出的模型的精度，召回率以及相应的混淆矩阵。









总结：以上结果显示，Random forest算法训练的模型精度以及召回率都相对较好，可在此算法的基础上对模型进行调优改进。调优方式可参考上篇贷款申请利润最大化，如通过上采样均衡样本数量，增加新的特征等。