判断frame是否已创建_DC数据竞赛：客户流失判断

最新推荐文章于 2024-01-21 13:40:44 发布
最新推荐文章于 2024-01-21 13:40:44 发布
阅读量369 收藏 2
点赞数 1
文章标签： 判断frame是否已创建

ac2854d109b60a1038ebda3258fc3a76.png

数据来源：

DC竞赛-大数据竞赛平台​www.dcjingsai.com

任务：

通过给定的企业客户信息，建立分类模型，判断企业客户是否会流失。

数据字段说明：

  • （1）ID：编号
  • （2）Contract：是否有合同
  • （3）Dependents：是否有家属
  • （4）DeviceProtection：是否有设备保护
  • （5）InternetService：是否有互联网服务
  • （6）MonthlyCharges：月度费用
  • （7）MultipleLines：是否有多条线路
  • （8）Partner：是否有配偶
  • （9）PaymentMethod：付款方式
  • （10）PhoneService：是否有电话服务
  • （11）SeniorCitizen：是否为老年人
  • （12）TVProgram：是否有电视节目
  • （13）TotalCharges：总费用
  • （14）gender：用户性别
  • （15）tenure：任期年数
  • （16）Churn：用户是否流失

评分标准：

以sklearn.metrics的accuracy_score为标准，分数越高，模型表现越好

数据读取和常用库导入：

import pandas as pd
import numpy as np
from matplotlib import pyplot as plt
import seaborn as sns
%matplotlib inline
import warnings
warnings.filterwarnings('ignore')

train = pd.read_csv('客户流失判断train.csv')
test = pd.read_csv('客户流失判断test_noLabel.csv')

数据展示：

train.head()

#结果：
	ID	Contract	Dependents	DeviceProtection	InternetService	MonthlyCharges	MultipleLines	Partner	PaymentMethod	PhoneService	SeniorCitizen	TVProgram	TotalCharges	gender	tenure	Label
0	0	One year	No	No internet service	No	24.150000	Yes	Yes	Bank transfer (automatic)	Yes	0	No internet service	1505.900000	Male	60	No
1	1	Month-to-month	No	No	Fiber optic	76.142284	Yes	No	Electronic check	Yes	0	No	946.581518	Female	12	Yes
2	2	Month-to-month	Yes	No internet service	No	26.200000	Yes	Yes	Electronic check	Yes	0	No internet service	1077.500000	Female	40	No
3	3	Two year	Yes	No internet service	No	24.650000	Yes	Yes	Bank transfer (automatic)	Yes	0	No internet service	1138.800000	Female	45	No
4	4	Month-to-month	Yes	No internet service	No	19.150000	No	Yes	Mailed check	Yes	0	No internet service	477.600000	Male	25	No

test.head()

#结果：
	ID	Contract	Dependents	DeviceProtection	InternetService	MonthlyCharges	MultipleLines	Partner	PaymentMethod	PhoneService	SeniorCitizen	TVProgram	TotalCharges	gender	tenure	Label
0	0	One year	No	No internet service	No	24.150000	Yes	Yes	Bank transfer (automatic)	Yes	0	No internet service	1505.900000	Male	60	No
1	1	Month-to-month	No	No	Fiber optic	76.142284	Yes	No	Electronic check	Yes	0	No	946.581518	Female	12	Yes
2	2	Month-to-month	Yes	No internet service	No	26.200000	Yes	Yes	Electronic check	Yes	0	No internet service	1077.500000	Female	40	No
3	3	Two year	Yes	No internet service	No	24.650000	Yes	Yes	Bank transfer (automatic)	Yes	0	No internet service	1138.800000	Female	45	No
4	4	Month-to-month	Yes	No internet service	No	19.150000	No	Yes	Mailed check	Yes	0	No internet service	477.600000	Male	25	No


print('train{},test{}'.format(train.shape, test.shape))

#结果：
train(5227, 16),test(1307, 15)


train.info()

#结果：
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 5227 entries, 0 to 5226
Data columns (total 16 columns):
ID                  5227 non-null int64
Contract            5227 non-null object
Dependents          5227 non-null object
DeviceProtection    5227 non-null object
InternetService     5227 non-null object
MonthlyCharges      5227 non-null float64
MultipleLines       5227 non-null object
Partner             5227 non-null object
PaymentMethod       5227 non-null object
PhoneService        5227 non-null object
SeniorCitizen       5227 non-null int64
TVProgram           5227 non-null object
TotalCharges        5227 non-null float64
gender              5227 non-null object
tenure              5227 non-null int64
Label               5227 non-null object
dtypes: float64(2), int64(3), object(11)
memory usage: 653.5+ KB

test.info()

#结果：
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1307 entries, 0 to 1306
Data columns (total 15 columns):
ID                  1307 non-null int64
Contract            1307 non-null object
Dependents          1307 non-null object
DeviceProtection    1307 non-null object
InternetService     1307 non-null object
MonthlyCharges      1307 non-null float64
MultipleLines       1307 non-null object
Partner             1307 non-null object
PaymentMethod       1307 non-null object
PhoneService        1307 non-null object
SeniorCitizen       1307 non-null int64
TVProgram           1307 non-null object
TotalCharges        1307 non-null float64
gender              1307 non-null object
tenure              1307 non-null int64
dtypes: float64(2), int64(3), object(10)
memory usage: 153.3+ KB

训练集和测试集都没有缺失值，不需要填充。

描述性统计分析：

train.describe(include = 'all')

#输出结果：

ID	Contract	Dependents	DeviceProtection	InternetService	MonthlyCharges	MultipleLines	Partner	PaymentMethod	PhoneService	SeniorCitizen	TVProgram	TotalCharges	gender	tenure	Label
count	5227.000000	5227	5227	5227	5227	5227.000000	5227	5227	5227	5227	5227.000000	5227	5227.000000	5227	5227.000000	5227
unique	NaN	3	2	3	3	NaN	3	2	4	2	NaN	3	NaN	2	NaN	2
top	NaN	Month-to-month	No	No	Fiber optic	NaN	No	No	Electronic check	Yes	NaN	No	NaN	Female	NaN	No
freq	NaN	3386	4049	2777	2803	NaN	2542	3014	2517	4857	NaN	2292	NaN	2650	NaN	3280
mean	2613.000000	NaN	NaN	NaN	NaN	66.823765	NaN	NaN	NaN	NaN	0.118615	NaN	2084.477153	NaN	28.775971	NaN
std	1509.049259	NaN	NaN	NaN	NaN	28.862749	NaN	NaN	NaN	NaN	0.323366	NaN	2183.825066	NaN	24.293077	NaN
min	0.000000	NaN	NaN	NaN	NaN	18.250000	NaN	NaN	NaN	NaN	0.000000	NaN	18.800000	NaN	0.000000	NaN
25%	1306.500000	NaN	NaN	NaN	NaN	45.000000	NaN	NaN	NaN	NaN	0.000000	NaN	292.979609	NaN	5.000000	NaN
50%	2613.000000	NaN	NaN	NaN	NaN	74.200000	NaN	NaN	NaN	NaN	0.000000	NaN	1218.650000	NaN	23.000000	NaN
75%	3919.500000	NaN	NaN	NaN	NaN	89.900000	NaN	NaN	NaN	NaN	0.000000	NaN	3373.825000	NaN	51.000000	NaN
max	5226.000000	NaN	NaN	NaN	NaN	118.600000	NaN	NaN	NaN	NaN	1.000000	NaN	8564.750000	NaN	72.000000	NaN

for col in list(train.columns):
    if type(train[col].unique()[0]) is str:
        print(col, train[col].unique())

#输出结果：
Contract ['One year' 'Month-to-month' 'Two year']
Dependents ['No' 'Yes']
DeviceProtection ['No internet service' 'No' 'Yes']
InternetService ['No' 'Fiber optic' 'DSL']
MultipleLines ['Yes' 'No' 'No phone service']
Partner ['Yes' 'No']
PaymentMethod ['Bank transfer (automatic)' 'Electronic check' 'Mailed check'
 'Credit card (automatic)']
PhoneService ['Yes' 'No']
TVProgram ['No internet service' 'No' 'Yes']
gender ['Male' 'Female']
Label ['No' 'Yes']

对只有两个值的特征用label encoder编码，两个以上的用独热编码:

#找出只有两个值的特征
object_cols = [col for col in train.columns if train[col].dtype == 'object']
labelcol = [col for col in object_cols if train[col].nunique()==2]
test_object_cols = [col for col in test.columns if test[col].dtype =='object']
test_labelcol = [col for col in test_object_cols if test[col].nunique()==2]

#label encoder编码
from sklearn.preprocessing import LabelEncoder
label_encoder = LabelEncoder()
for col in labelcol:
    train[col] = label_encoder.fit_transform(train[col])
for col in test_labelcol:
    test[col] = label_encoder.fit_transform(test[col])

#找出要用独热编码的特征
onehotcol = [col for col in object_cols if train[col].nunique()>2]

#独热编码
dum_train = pd.get_dummies(train[onehotcol])
dum_train = dum_train.astype('int')
dum_test = pd.get_dummies(test[onehotcol])
dum_test = dum_test.astype('int')

#合并
train.drop(onehotcol, axis=1, inplace = True)
test.drop(onehotcol, axis=1, inplace = True)

train = pd.concat([dum_train,train],axis=1)
test = pd.concat([dum_test, test], axis=1)

#检查
train.info()

#输出结果：
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 5227 entries, 0 to 5226
Data columns (total 29 columns):
Contract_Month-to-month                    5227 non-null int64
Contract_One year                          5227 non-null int64
Contract_Two year                          5227 non-null int64
DeviceProtection_No                        5227 non-null int64
DeviceProtection_No internet service       5227 non-null int64
DeviceProtection_Yes                       5227 non-null int64
InternetService_DSL                        5227 non-null int64
InternetService_Fiber optic                5227 non-null int64
InternetService_No                         5227 non-null int64
MultipleLines_No                           5227 non-null int64
MultipleLines_No phone service             5227 non-null int64
MultipleLines_Yes                          5227 non-null int64
PaymentMethod_Bank transfer (automatic)    5227 non-null int64
PaymentMethod_Credit card (automatic)      5227 non-null int64
PaymentMethod_Electronic check             5227 non-null int64
PaymentMethod_Mailed check                 5227 non-null int64
TVProgram_No                               5227 non-null int64
TVProgram_No internet service              5227 non-null int64
TVProgram_Yes                              5227 non-null int64
ID                                         5227 non-null int64
Dependents                                 5227 non-null int64
MonthlyCharges                             5227 non-null float64
Partner                                    5227 non-null int64
PhoneService                               5227 non-null int64
SeniorCitizen                              5227 non-null int64
TotalCharges                               5227 non-null float64
gender                                     5227 non-null int64
tenure                                     5227 non-null int64
Label                                      5227 non-null int64
dtypes: float64(2), int64(27)
memory usage: 1.2 MB


test.info()

#输出结果：
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1307 entries, 0 to 1306
Data columns (total 28 columns):
Contract_Month-to-month                    1307 non-null int64
Contract_One year                          1307 non-null int64
Contract_Two year                          1307 non-null int64
DeviceProtection_No                        1307 non-null int64
DeviceProtection_No internet service       1307 non-null int64
DeviceProtection_Yes                       1307 non-null int64
InternetService_DSL                        1307 non-null int64
InternetService_Fiber optic                1307 non-null int64
InternetService_No                         1307 non-null int64
MultipleLines_No                           1307 non-null int64
MultipleLines_No phone service             1307 non-null int64
MultipleLines_Yes                          1307 non-null int64
PaymentMethod_Bank transfer (automatic)    1307 non-null int64
PaymentMethod_Credit card (automatic)      1307 non-null int64
PaymentMethod_Electronic check             1307 non-null int64
PaymentMethod_Mailed check                 1307 non-null int64
TVProgram_No                               1307 non-null int64
TVProgram_No internet service              1307 non-null int64
TVProgram_Yes                              1307 non-null int64
ID                                         1307 non-null int64
Dependents                                 1307 non-null int64
MonthlyCharges                             1307 non-null float64
Partner                                    1307 non-null int64
PhoneService                               1307 non-null int64
SeniorCitizen                              1307 non-null int64
TotalCharges                               1307 non-null float64
gender                                     1307 non-null int64
tenure                                     1307 non-null int64
dtypes: float64(2), int64(26)
memory usage: 286.0 KB

生成correlation matrix查看关联

sns.set(style="white")

corr = train.corr()

mask = np.triu(np.ones_like(corr, dtype=np.bool))

f, ax = plt.subplots(figsize=(20, 15))

cmap = sns.diverging_palette(220, 10, as_cmap=True)

plt.title('Correlation Matrix', fontsize=18)

sns.heatmap(corr, mask=mask, cmap=cmap, vmax=.3, center=0,
            square=True, linewidths=.5, cbar_kws={"shrink": .5}, annot=True)

plt.show()

8bd2c4fbe3ded423fc6138c3eafd5487.png

把与label关联低的特征去掉

dropcol = ['MultipleLines_No phone service','MultipleLines_Yes','MultipleLines_No',
           'TVProgram_Yes','ID','SeniorCitizen',
          'PhoneService','gender']
train.drop(dropcol, axis = 1,inplace = True)
test.drop(dropcol, axis = 1, inplace = True)

划分训练集和验证集

X = train.drop('Label', axis=1)
y = train['Label']

检查Label比例

num_yes = train.Label.sum()
num_yes

#输出结果
1947

num_no = train.shape[0]-num_yes
num_no

#输出结果
3280

数据集不平衡，后续采用StratifiedKFold分层采样

from sklearn.model_selection import train_test_split
X_train, X_valid, y_train, y_valid = train_test_split(X, y, test_size = 0.2)

导入库

from sklearn.linear_model import LogisticRegression
from sklearn.neighbors import KNeighborsClassifier
from sklearn.svm import SVC
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier
from xgboost.sklearn import XGBClassifier

from sklearn.model_selection import GridSearchCV
from sklearn.model_selection import KFold, StratifiedKFold
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import MinMaxScaler

构建模型

def model_select(X_train,y_train,clf,clf_name,parameters,kfold):
    pipeline = Pipeline([('scaler', MinMaxScaler()),(clf_name, clf)])
    #数据不平衡，采用StratifiedKFold分层采样
    folder = StratifiedKFold(n_splits = kfold, shuffle = True, random_state=0)
    
    grid_search = GridSearchCV(estimator = pipeline,
                              param_grid = parameters,
                              cv = folder,
                              scoring = 'accuracy')
    gs = grid_search.fit(X_train, y_train)
    print('最优参数{},最优分数{}'.format(gs.best_params_, gs.best_score_))
    return gs


from sklearn.metrics import accuracy_score

#Decision Tree
no_folds = 10
dt = DecisionTreeClassifier(random_state = 1)
dt_parameters ={'dt__max_depth':[4,5,6,7,9]}
dt_model = model_select(X_train,y_train,dt,'dt',dt_parameters,no_folds)
y_pred = dt_model.predict(X_valid)
print(accuracy_score(y_valid,y_pred))

#输出结果：
最优参数{'dt__max_depth': 5},最优分数0.7711073905764171
0.7743785850860421


#Random Forest
no_folds = 10
rf = RandomForestClassifier(random_state = 1)
rf_parameters = {'rf__max_depth':[4,5,6,7,8]}
rf_model = model_select(X_train,y_train,rf,'rf',rf_parameters,no_folds)
y_pred = rf_model.predict(X_valid)
print(accuracy_score(y_valid,y_pred))

#输出结果
最优参数{'rf__max_depth': 6},最优分数0.7727816311887108
0.7762906309751434


#SVM
no_folds = 10
svc = SVC(random_state = 1)
svc_parameters = {'svc__C':[0.01,0.03,0.1,1,1.5], 'svc__gamma':[0.01,0.1,1,1.5]}
svc_model = model_select(X_train,y_train,svc,'svc',svc_parameters,no_folds)
y_pred = svc_model.predict(X_valid)
print(accuracy_score(y_valid,y_pred))

#输出结果
最优参数{'svc__C': 1.5, 'svc__gamma': 0.01},最优分数0.7574742884477398
0.7724665391969407

#xgboost
no_folds = 10
xgb = XGBClassifier(random_state = 1)
xgb_parameters = {'xgboost__max_depth':[4,5,6,7,8,9],
                 'xgboost__learning_rate':[0.001,0.01,0.02,0.03,1]}
xgb_model = model_select(X_train,y_train,xgb,'xgboost',xgb_parameters,no_folds)
y_pred = xgb_model.predict(X_valid)
print(accuracy_score(y_valid,y_pred))

#输出结果
最优参数{'xgboost__learning_rate': 0.01, 'xgboost__max_depth': 5},最优分数0.7727816311887108
0.7762906309751434

其中XGBClassifier分数最高，使用XGBClassifier来预测测试集

xgb_model = XGBClassifier(random_state = 1, max_depth = 6, learning_rate = 0.03)
xgb_model.fit(X,y)
preds = xgb_model.predict(test)

final_DF = pd.DataFrame()
get_ID = pd.read_csv('客户流失判断test_noLabel.csv')
final_DF['ID'] = get_ID['ID']
final_DF['Label'] = pd.Series(preds).map({1:'Yes',0:'No'})

Name = '客户流失判断结果.csv'
final_DF.to_csv

提交结果

weixin_39707693
关注
加载sklearn加州房价数据集出错 housing = fetch_california_housing() HTTPError: HTTP Error 403: Forbidden解决方案
weixin_43178406的博客
01-05 8万+
本文主要介绍了加载sklearn加利福尼亚州房价数据集出错 HTTPError: HTTP Error 403: Forbidden的解决方案，希望能对新手有所帮助。 文章目录 1. 问题描述 2. 解决方案
点云数据格式解析 sensor_msgs::PointCloud2
热门推荐
Fourier_Legend的博客
11-02 3万+
在使用多线激光的时候需要总是会碰到点云数据，这里简单的接受一下点云数据，并堆数据结构进行分析，方便自己后期对点云特征数据进行处理。 文章目录Rviz中的点云数据点云数据结构分析数据截图 Rviz中的点云数据 本书据采用的经典的 loam_velodyne 算法，跑得是开源的包pcap 包， 有时间会详细介绍跑包的方法 点云数据结构分析 具体官方数据分析： http://docs.ros.or...
BankCustomerChurnPrediction：对银行客户数据的数据分析，以预测客户流失的原因，并提供防止这种情况的建议
02-26
BankCustomerChurn预测 对银行客户数据进行数据分析，以预测客户流失的原因，并提供防止这种情况的建议。 数据集：Churn_Modelling.csv 记录数：10,000 功能数量：14 使用的图书馆：pandas，matplotlib，numpy，seaborn
【数据分析实践】客户流失判断--探索性数据分析
qq_33749437的博客
07-31 3134
数据来源：阿里天池-Ad Display/Click Data on Taobao.com
Datacastle训练赛——客户流失判断
weixin_44034053的博客
06-07 2509
Datacastle训练赛：客户流失判断 链接地址 1.目的：建立分类模型，判断企业客户是否会流失 2.具体过程： 2.1 数据分析 2.2.1导入相关的包，并读取数据 import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns %matplotlib inline import warnings warnings.filterwarnings('ignore') from sk
《机器学习》客户流失判断-python实现
weixin_66397563的博客
01-21 1965
给定企业客户信息，建立分类模型，判断企业客户是否会流失。 建立分类模型与对比模型： 朴素贝叶斯、AdaBoost、逻辑回归、KNN、SVM、 随机森林、XGBoost、MLP、 LightGBM、GBDT、 随机森林-MLP-XGBoost组合模型
客户流失预测 —— 资源汇总
Raymond_Love的博客
07-02 1894
Table of Contents 0. 题目简介 1. 资源收集和整理 2. 相关学习资料 2.1 相似比赛思路 2.2 数据处理+特征工程 2.2.1 数据处理： 2.2.2 特征工程： 2.3 模型和参数调优 3. 一些笔记 3.1 《结合Scikit-learn介绍几种常用的特征选择方法》 3.2 《[机器学习实战]使用 scikit-learn 预测用户流失》 3.3 《天池数据挖掘比赛技术与套路总结》 3.4 《LogisticRegression用户流失预测模型初探【
tkinder经典错误 _tkinter.TclError: invalid command name “.!treeview“
lavender_dream的博客
11-23 5388
文章目录前言_tkinter.TclError: invalid command name ".!treeview" 解决方案出现问题：解决方法：要心想，才能事成啊！sincerely，end. 前言   运行python的tkinder中的Treeview部件，可运行，但在关闭窗口时出现“_tkinter.TclError: invalid command name ".!treeview” 错误，已解决，如有错误，请纠正，万分感谢！ _tkinter.TclError: invalid comma
python如何从一个dataframe提取相应的行组成一个新的dataframe_Python数据结构：数据框...
weixin_39835117的博客
11-11 1万+
前一篇文章提到了序列,可以理解为Excel里没有列名的一列数据,那么Excel里的由行列组成的表数据是如何对应到Python中的呢？就是今天要说的数据框：DataFrame。它是由一组数据和一对索引（行索引和列索引）组成的二维数据结构，可以看成Excel里的表格，与Series不同的是，DataFrame可以有多行/列数据。1．建首先要导入pandas模块，简写为pd。In [1]:import ...
【数据分析实践】客户流失判断--数据建模
qq_33749437的博客
07-31 1274
模型构建1 2 kaggle案例 ↩︎ 知乎 ↩︎
Python实现基于机器学习的电信客户流失预测源码+文档说明.zip
03-02
Python实现基于机器学习的电信客户流失预测源码+文档说明.zip背景：给定企业客户信息，建立分类模型与Cox模型，判断企业客户是否会流失并计算何时流失。代码完整，下载可用。 Python实现基于机器学习的电信客户流失预测源码+文档说明.zip背景：给定企业客户信息，建立分类模型与Cox模型，判断企业客户是否会流失并计算何时流失。代码完整，下载可用。 Python实现基于机器学习的电信客户流失预测源码+文档说明.zip背景：给定企业客户信息，建立分类模型与Cox模型，判断企业客户是否会流失并计算何时流失。代码完整，下载可用。 Python实现基于机器学习的电信客户流失预测源码+文档说明.zip背景：给定企业客户信息，建立分类模型与Cox模型，判断企业客户是否会流失并计算何时流失。代码完整，下载可用。 Python实现基于机器学习的电信客户流失预测源码+文档说明.zip背景：给定企业客户信息，建立分类模型与Cox模型，判断企业客户是否会流失并计算何时流失。代码完整，下载可用。 Python实现基于机器学习的电信客户流失预测源码+文档说明.zip背景：给定企业客户信息，建立分
利用python建立客户流失预警模型（下）——建立模型部分
weixin_45670288的博客
12-28 2701
利用python建立客户流失预警模型（下）——建立模型 前言 上一部分已经完成了对数据的整理与分析，接下来建立数据分析模型。 首先，建立分类模型来预测客户是否会流失。逻辑回归，决策树，随机森林，xgboost等可用于分类问题（也可用于回归问题）。由于不是所有模型在所有样本预测均为最优，可考虑使用模型融合。在建模时，通过交叉验证训练集来得到模型最优的参数。对于阈值的设置可考虑KS曲线的最大值。 其次...
电信客户流失预测----科大讯飞xDataWhale
tiantizzz的博客
06-13 1516
记录第一次参加正式的数据挖掘竞赛，由科大讯飞xDatawhale举办的《电信客户流失预测挑战赛》
用户画像篇·模型标签之用户流失预测
IT_但丁的博客
02-24 3494
一、流失预测意义 每个企业都渴望建立和保持一个忠实的客户群，而事实是由于各方面原因不可避免的会流失一些用户。 如果我们根据用户的活跃度及消费情况，判断用户的流失意向，及时对有流失趋向的用户做营销召回，这对公司来讲是非常有必要的。 二、需求分析 模型标签： 分析模型标签我们知道，这是一个概率型的结论，如果通过一个普通的算术运算来得出的话，不会太靠谱！ 那该怎么办呢？ 要通过历史既定事实的经验（满足...
Machine Learning ——客户流失率的预测
longlong's blog
09-06 8749
　　最近在自己本地的jupyter notebook中看到一个不知出处的笔记，很久没有学习算法和写代码了，所以回顾一下，发现这篇笔记虽然例子很简单，但是内容还算深刻，就整理了一下，虽然不知出处，但是在笔记开头作者有致谢，那我也在这里致谢一下，以示尊敬：Credits: Forked from growth-workshop by aprial, as featured on the yhat bl...
基于WEB的客户关系管理系统
橡树心的专栏
06-14 5278
第一章  客户关系管理绪论客户关系管理CRM(Customer Relationship Management)最早由美国artner Group提出，自1997年开始，经过几年的发展，全球的CRM市场一直处于爆炸性的快速增长之中。1999年全球的CRM市场收益约为76亿美元。据市场分析专家预测，2000年全球CRM市场收益将超过120亿美元，2004年将达到670亿美元。年增长率将一直保持在
Kaggle数据集之电信客户流失数据分析（三）之决策树分类
qq_32334479的博客
06-25 7121
一、导入数据 import pandas as pd df=pd.read_csv(r"D:\PycharmProjects\ku_pandas\WA_Fn-UseC_-Telco-Customer-Churn.csv") df customerID gender SeniorCitizen Partner Dependents tenure PhoneService Mult
【sklearn】分类函数
公子二的博客
11-04 1165
Logistic回归 Logistic回归模型属于对数线性模型，优点是计算代价不高，易于理解和实现，缺点是在面对多元或非线性决策边界时性能较差。 from sklearn.datasets import load_breast_cancer from sklearn.model_selection import train_test_split #导入load_breast_cancer数据 cancer = load_breast_cancer() x = cancer['data'] y = ca
for frame in clip.iter_frames():
最新发布
09-22
`iter_frames()` 方法会按帧迭代整个视频，每次循环`frame`就会得到视频序列中的单个帧，它可能是图像数据（如PIL Image对象）。这个循环结构常用于逐帧分析、提取特征或者对每帧应用特定操作。 例如，在一个视频转...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值