作品集-R语言实战

已于 2022-03-22 02:41:22 修改
阅读量2.1k 收藏 37
点赞数 3
分类专栏： 作品集 文章标签： r语言
于 2022-03-22 02:40:01 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/yuiop_zzc/article/details/123563282
版权

R语言实战-电信用户流失


一、提出问题

  • 分析用户特征与流失的关系
  • 流失用户普遍具有哪些特征？
  • 建立模型预测流失用户。
  • 针对性给出增加用户黏性、降低流失率的建议。

本文数据使用kaggle上的 telco-customer-churn 数据集


二、数据描述


分类变量变量名称备注
customerID客户ID
用户属性gender性别male & female
用户属性SeniorCitizen老年用户是为1，否为0
用户属性Partner伴侣用户Yes or No
用户属性Dependents亲属用户Yes or No
用户属性tenure在网时长0-72月
服务属性PhoneService是否开通电话服务Yes or No
服务属性MultipleLines是否有多条线路Yes 、No or No phoneservice （无电话服务）三种
服务属性InternetService是否开通互联网服务No, DSL数字网络，fiber optic光纤网络
服务属性OnlineSecurity是否开通网络安全服务Yes，No，No internetserive（无互联网服务）
服务属性OnlineBackup是否开通在线备份服务Yes，No，No internetserive（无互联网服务）
服务属性DeviceProtection是否开通设备保护服务Yes，No，No internetserive（无互联网服务）
服务属性TechSupport是否开通技术支持服务Yes，No，No internetserive（无互联网服务）
服务属性StreamingTV是否开通网络电视Yes，No，No internetserive（无互联网服务）
服务属性StreamingMovies是否开通网络电影Yes，No，No internetserive（无互联网服务）
合同属性Contract签订合同方式按月，一年，两年
合同属性PaperlessBilling是否开通电子账单Yes or No
合同属性PaymentMethod付款方式bank transfer银行转账，credit card信用卡，electronic check电子支票，mailed check邮寄支票
合同属性MonthlyCharges月租费18.85-118.35
合同属性TotalCharges累计付费18.85-8684.8
合同属性Churn该用户是否流失Yes or No

三、数据预处理

1. 提前加载所需程序包

library(ggplot2)
library(scales)
library(grid)
library(GGally)
library(rpart)
library(mice)

2. 数据连接

data <- read.csv("C://Users/dell/Desktop/WA_Fn-UseC_-Telco-Customer-Churn.csv"
,header = T)
attach(data)
class(data)

3. 查看数据

dim(data)
head(data)
str(data)

在这里插入图片描述

  • 该数据集有7043行，21列，即有21个变量，7043行数据，初步预览数据：


4. 缺失值处理

#查看缺失值
is.null(data)
md.pattern(data)

  • 由结果可以看出数据无空值，但有11个缺失值，均出现在TotalCharges列，查看缺失值占比：

#计算缺失值个数占比
na<-is.na(data$TotalCharges)
na[na==FALSE]<-0
na[na==TRUE]<-1
na.rate<-as.numeric(sum(na)/length(na))
na.rate

在这里插入图片描述

  • 可以看出缺失值占比为1.56%，占比较小，因此剔除缺失值

#剔除缺失值
data<-na.omit(data)
#再次检验是否有缺失值
md.pattern(data)

  • 结果显示数据处理后已无缺失值

5. 调整数据类型

str(data)#查看数据类型

在这里插入图片描述

  • 我们可以发现SeniorCitizen数据类型为int，且它与其他分类变量表现形式不一致，因此我们需要把"0"转换成"No"，“1"转换成"Yes”
  • 同时数据集中分类变量数据类型均为字符串，我们需要把它们的数据类型转换成因子类型
data$SeniorCitizen[data$SeniorCitizen==0]<-"No"
data$SeniorCitizen[data$SeniorCitizen==1]<-"Yes"
#转换为因子变量
for(i in c(2:5,7:18,21)) {
data[i]<-as.factor(unlist(data[i]))
}
str(data)

6. 调整变量

  • 在服务属性中，变量中均有"No internetserive"类别，观察其分布，我们发现其流失比例均一致，因此我们可以简化类别，把"No internetserive"并入"No"类别中
    在这里插入图片描述
for(i in 10:15){
print(xtabs(~ Churn + get(names(data)[i]), data = data))
}
# 将"No internetserive"并入"No"这一属性值
levels(data$OnlineSecurity)[2] <- "No"
levels(data$OnlineBackup)[2] <- "No"
levels(data$DeviceProtection)[2] <- "No"
levels(data$TechSupport)[2] <- "No"
levels(data$StreamingTV)[2] <- "No"
levels(data$StreamingMovies)[2] <- "No"

四、 观察数据

  • 数据清洗后观查数据，流失用户有1869人，留存用户有5174人，流失率为26.58%
options(digits=4)
#饼图
ggplot(data, aes(x = "" ,fill = Churn))+
   geom_bar(stat = "count", width = 0.5, position = 'stack')+
   coord_polar(theta = "y", start=0)+
   geom_text(stat="count", 
             aes(label = scales::percent(..count../nrow(data), 0.01)), 
             size=4, position=position_stack(vjust = 0.5)) +
   theme(
     panel.background = element_blank(),
     axis.title = element_blank(),
     axis.text = element_blank(),
     axis.ticks = element_blank()
   )
#条形图
ggplot(data , aes(x =Churn , y =..count.. ,fill=Churn)) +
geom_bar(stat = "count", width = 0.5, position = 'identity')
#表格
table(Churn)


在这里插入图片描述

五、探索用户特征与流失的关系

1. 用户属性

用户属性的变量有：gender,SeniorCitizen,Partner,Dependents,tenure
从图中可以得出以下结论：

  1. 性别对用户流失并无显著影响
  2. 老年群体相较于其他群体，用户流失率较高
  3. 无伴侣的用户流失率高于有伴侣的用户流失率
  4. 无亲属的用户流失率高于有亲属的用户流失率
  5. 流失人群在网时长呈右偏分布，在网时长的流失中位数为10小时，且概率密度函数的峰值点小于5小时
    在这里插入图片描述
    在这里插入图片描述
#用户属性：gender,SeniorCitizen,Partner,Dependents,tenure
library(plyr)
cdata <- ddply(data, "Churn", summarise, tenure.median=median(tenure))
cdata
ggplot(data, aes(x=tenure, fill=Churn)) + geom_density(alpha=.3)+
geom_vline(data=cdata, aes(xintercept=tenure.median,  colour=Churn),
               linetype="dashed", size=1)
Percentage<- matrix(rep(1,nrow(data)),nrow=(nrow(data)),ncol=1)
plot1<-ggplot(data, aes(x=gender, y=Percentage, fill=Churn))+geom_col(position="fill")
plot2<-ggplot(data, aes(x=SeniorCitizen, y=Percentage, fill=Churn))+geom_col(position="fill")
plot3<-ggplot(data, aes(x=Partner, y=Percentage, fill=Churn))+geom_col(position="fill")
plot4<-ggplot(data, aes(x=Dependents, y=Percentage, fill=Churn))+geom_col(position="fill")
grid.newpage()
pushViewport(viewport(layout = grid.layout(2,2)))
vplayout <- function(x,y) 
  viewport(layout.pos.row = x, layout.pos.col = y)
print(plot1, vp = vplayout(1, 1))
print(plot2, vp = vplayout(1, 2))
print(plot3, vp = vplayout(2, 1))
print(plot4, vp = vplayout(2, 2))

2. 服务属性

服务属性的变量有：
PhoneService, MultipleLines, InternetService, OnlineSecurity, OnlineBackup, DeviceProtection,
TechSupport, StreamingTV, StreamingMovies

从图中可以得出以下结论：

  1. 电话服务：PhoneService电话服务对用户流失并无显著影响，有多条通话线路的客户流失率相对较高
  2. 互联网服务：开通光纤网络的用户流失率较为明显
  3. 互联网服务支持：OnlineSecurity（网络安全）、OnlineBackup（在线备份）、DeviceProtection（设备保护）、TechSupport（技术支持）等，开通的用户流失率较整体用户的流失率低，未开通的则高于整体的用户流失率
  4. 媒体服务：开通StreamingTV（网络电视）与StreamingMovies（网络电影）的流失率较未开通的要高

在这里插入图片描述

#服务属性：PhoneService,MultipleLines,InternetService,OnlineSecurity,OnlineBackup,
#DeviceProtection,TechSupport,StreamingTV,StreamingMovies
#流失率对比
plot4<-ggplot(data, aes(x=PhoneService, y=Percentage, fill=Churn))+geom_col(position="fill")
plot5<-ggplot(data, aes(x=MultipleLines, y=Percentage, fill=Churn))+geom_col(position="fill")
plot6<-ggplot(data, aes(x=InternetService, y=Percentage, fill=Churn))+geom_col(position="fill")
plot7<-ggplot(data, aes(x=OnlineSecurity, y=Percentage, fill=Churn))+geom_col(position="fill")
plot8<-ggplot(data, aes(x=OnlineBackup, y=Percentage, fill=Churn))+geom_col(position="fill")
plot9<-ggplot(data, aes(x=DeviceProtection, y=Percentage, fill=Churn))+geom_col(position="fill")
plot10<-ggplot(data, aes(x=TechSupport, y=Percentage, fill=Churn))+geom_col(position="fill")
plot11<-ggplot(data, aes(x=StreamingTV, y=Percentage, fill=Churn))+geom_col(position="fill")
plot12<-ggplot(data, aes(x=StreamingMovies, y=Percentage, fill=Churn))+geom_col(position="fill")

grid.newpage()
# pushViewport函数提供了添加视图以及在树中的视图之间导航的方法。
pushViewport(viewport(layout = grid.layout(3,3)))
# viewport函数创建视图，描述图形设备上的矩形区域，并在这些区域中定义许多坐标系统。
vplayout <- function(x,y) 
  viewport(layout.pos.row = x, layout.pos.col = y)
print(plot4, vp = vplayout(1, 1))
print(plot5, vp = vplayout(1, 2))
print(plot6, vp = vplayout(1, 3))
print(plot7, vp = vplayout(2, 1))
print(plot8, vp = vplayout(2, 2))
print(plot9, vp = vplayout(2, 3))
print(plot10, vp = vplayout(3, 1))
print(plot11, vp = vplayout(3, 2))
print(plot12, vp = vplayout(3, 3))

3. 合同属性

合同属性的变量有：
MonthlyCharges，TotalCharges，Contract，PaperlessBilling，PaymentMethod

从图中可以得出以下结论：

  1. 支付费用：a. 流失用户的月租费的中位数高于留存用户，且月租费位于70-100元之间的流失概率最高
    b. 流失用户的累计付费中位数低于留存用户
  2. 按月签订合同的流失率相对较高，签订合同时间越长，流失率越低
  3. 开通电子账单的用户流失率高于未开通的用户流失率
  4. 电子支票付费的流失率相对其他付款方式相对较高

在这里插入图片描述
在这里插入图片描述

#合同属性：MonthlyCharges,TotalCharges,Contract,PaperlessBilling,PaymentMethod
#流失率对比
cdata1 <- ddply(data, "Churn", summarise, MonthlyCharges.median=median(MonthlyCharges))
cdata2 <- ddply(data, "Churn", summarise, TotalCharges.median=median(TotalCharges))

plot13<-ggplot(data, aes(x=MonthlyCharges, fill=Churn)) + geom_density(alpha=.3)+
	geom_vline(data=cdata1, aes(xintercept=MonthlyCharges.median,  colour=Churn),
               linetype="dashed", size=1)
plot14<-ggplot(data, aes(x=TotalCharges, fill=Churn)) + geom_density(alpha=.3)+
	geom_vline(data=cdata2, aes(xintercept=TotalCharges.median,  colour=Churn),
               linetype="dashed", size=1)
plot15<-ggplot(data, aes(x=Contract, y=Percentage, fill=Churn))+geom_col(position="fill")
plot16<-ggplot(data, aes(x=PaperlessBilling, y=Percentage, fill=Churn))+geom_col(position="fill")
plot17<-ggplot(data, aes(x=PaymentMethod, y=Percentage, fill=Churn))+geom_col(position="fill")

grid.newpage()
# pushViewport函数提供了添加视图以及在树中的视图之间导航的方法。
pushViewport(viewport(layout = grid.layout(1,2)))
# viewport函数创建视图，描述图形设备上的矩形区域，并在这些区域中定义许多坐标系统。
vplayout <- function(x,y) 
  viewport(layout.pos.row = x, layout.pos.col = y)
print(plot13, vp = vplayout(1, 1))
print(plot14, vp = vplayout(1, 2))

grid.newpage()
# pushViewport函数提供了添加视图以及在树中的视图之间导航的方法。
pushViewport(viewport(layout = grid.layout(3,1)))
# viewport函数创建视图，描述图形设备上的矩形区域，并在这些区域中定义许多坐标系统。
vplayout <- function(x,y) 
  viewport(layout.pos.row = x, layout.pos.col = y)
print(plot15, vp = vplayout(1, 1))
print(plot16, vp = vplayout(2, 1))
print(plot17, vp = vplayout(3, 1))

4.流失用户普遍具有的特征

  1. 用户属性：老年、无伴侣、无亲属群体，在网时长小于10小时的用户流失率较高
  2. 服务属性：多条通话线路、开通光纤网络、未开通互联网服务支持、开通媒体服务的用户流失率较高
  3. 合同属性：月租费位于70-100元、按月签订合同、开通电子账单、电子支票付费

六、相关性分析

1.分类变量相关性分析

  • 分类变量的相关性分析用卡方检验，由下图得出，gender（性别）、PhoneService（电话服务）与Churn（是否流失）的p值大于显著性水平0.05，即gender（性别）、PhoneService（电话服务）与Churn（是否流失）不相关，因此可以筛选掉gender与PhoneService

在这里插入图片描述


2.连续变量相关性分析

  • 可以观察到TotalCharges分别与tenure、MonthlyCharges相关系数较高，分别为0.826、0.651，而tenure与MonthlyCharges的相关系数较低，所以筛掉TotalCharges变量

在这里插入图片描述


3. 筛选变量

  • customerID是区分用户的变量，因此也可以筛选掉
  • 因此最后去掉customerID、gender、PhoneService和TotalCharges变量
#相关性分析：1.分类变量2.连续变量
#1.分类变量
myFUN<- function(x){chisq.test(data$Churn,x ,correct = TRUE)}
#apply（数据库，循环数据库3到6列，按列，函数）
colnames(data)

xx  = c("customerID","tenure","MonthlyCharges","TotalCharges")
dataset = data[,!names(data) %in% xx]

result<- apply (dataset,2, myFUN)
#创建功能，提取list每个循环的p.value
p<- function(x){x$p.value}
#转化成数据，sapple(数据框，函数)
p2<-as.data.frame(sapply(result,p))
#保留小数点后面3位小数
result=as.data.frame(round(p2$`sapply(result, p)`,3))
#添加比较组的行名
A<-names(dataset)
A
rownames(result)=A
result

#2.连续变量
ggpairs(data,columns=c(6,19:20),ggplot2::aes(color=data$Churn))

#3.去掉不相关变量
xx  = c("customerID","gender","TotalCharges")
data1 = data[,!names(data) %in% xx]
head(data1)

七、建立分类预测模型

1. 划分训练集与测试集

  • 按7:3的比例划分训练集和测试集
#划分训练集和测试集

set.seed(1234) #随机抽样设置种子
train<-sample(nrow(data),0.7*nrow(data)) #抽样函数，第一个参数为向量，nrow()返回行数 后面的是抽样参数前
tdata<-data1[train,] #训练数据集
vdata<-data1[-train,] #测试数据集

2. 建立决策树预测模型

算法区分要点R包
ID3使用信息增益rpart包中rpart函数
C4.5使用信息增益RWeka包中J48()
CART使用ginirpart包中rpart函数
C5.0C4.5的改进，比较适合于大规模数据c50包
  • 本文使用CART算法建模
#CART

dtree<-rpart(Churn~.,data=tdata,method="class",parms=list(split="gini"))#运用二分类决策树CART算法
  • 查看cp参数复杂度
printcp(dtree)#查看cp参数复杂度，cp越大数分裂规模越小
  • cp是参数复杂度（complexity parameter）作为控制树规模的惩罚因子，简而言之，就是cp越大，树分裂规模（nsplit）越小。输出参数（rel error）指示了当前分类模型树与空树之间的平均偏差比值。xerror为交叉验证误差，xstd为交叉验证误差的标准差。可以看到，当nsplit为3的时候，即有四个叶子结点的树，交叉误差最小。决策树剪枝的目的就是为了得到更小交叉误差（xerror）的树。

在这里插入图片描述

  • 进行剪枝
tree<-prune(dtree,cp=dtree$cptable[which.min(dtree$cptable[,"xerror"]),"CP"])#剪枝，自动选择最小exerror的cp值来剪枝
opar<-par(no.readonly = T)
par(mfrow=c(1,2))
library(rpart.plot)
png(file = "G://R/tree1.png")
rpart.plot(dtree,branch=1,type=2, fallen.leaves=T,cex=0.8, sub="剪枝前")
png(file = "G://R/tree2.png")
rpart.plot(tree,branch=1, type=4,fallen.leaves=T,cex=0.8, sub="剪枝后")
par(opar)
dev.off()
  • 剪枝前后模型并无差异
  • 该决策树模型说明若一个用户按月签订合同、网络服务为光纤上网，且在网时长小于15小时，则该用户会流失
predtree<-predict(tree,newdata=vdata,type="class")   #利用预测集进行预测
table(vdata$Churn,predtree,dnn=c("真实值","预测值"))    #输出混淆矩阵

在这里插入图片描述

  • 模型正确率=（1459+209）/（1459+93+349+209）* 100%=79.05%

八、运营建议

  • 运用预测模型，构建一个高流失率的用户列表，通过对这批用户进行用户调研，了解产品缺陷

1. 用户层面

  • 针对老年用户、无亲属、无伴侣用户，制定个性化专属服务，如推出亲属套餐、关爱套餐等，加强这类用户粘性的同时，也加强了与其他用户的关联度，从而加强了其他用户的粘性，形成良性闭环。

2. 服务层面

  • 针对光纤网络，随机挑选一批流失用户，发放调查问卷（填问卷赠消费券，提升用户的积极性），调查光纤网络服务体验，针对调查结果改善服务
  • 针对新用户，降低第一年月租费，免费试用三个月的互联网服务支持（网络安全服务、在线备份服务、设备保护服务、技术支持服务），试用期结束即可获得首月开通互联网服务支持半价，后续月租85折的优惠，鼓励用户开通互联网服务支持的同时，也提升了用户的在网时长，降低了月租费，以此度过用户的流失高峰期
  • 优化媒体服务的网络体验，并对用户提供增值服务，如提供首月免费体验VIP等服务

3. 合同层面

  • 针对单月合同用户，建议推出年合同付费折扣活动，将月合同用户转化为年合同用户，提高用户在网时长，以达到更高的用户留存；同时可以加大签订两年合同的优惠力度，通过折扣购手机或者送流量、送家庭宽带，分月返话费的方式引导用户签订2年合同
  • 针对电子账单，需考虑是否是电子账单的用户体验不好，或者电子账单呈现的消费明细角度有问题，优化电子账单
  • 针对电子支票付费，建议推出使用其他支付方式随机立减的活动，以减少用户流失

本文参考了以下文章

  1. R语言相关性分析和相关性分析可视化常用方法汇总
  2. R语言_电信客户流失数据分析
  3. ggplot2一页多图的实现方法
  4. 数据分析中缺失值处理~R语言
  5. ggplot2-堆积柱形图
  6. 【数据分析与挖掘实战】
yuiop_zzc
关注
  • 3
    点赞
  • 踩
  • 37
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
R语言电信公司churn数据客户流失 k近邻（knn）模型预测分析
拓端研究室TRL
11-02 705
同时我们可以发现 state total.intl.calls 、number.customer.service.calls 、 total.day.minutes1medium、 total.day.minutes1short 的变量有重要的影响。同时我们可以发现，total.day.calls和total.day.charge之间存在一定的相关关系。最后从knn模型结果中，我们可以发现从训练集的结果中，我们可以看到准确度有80%，从测试集的结果，我们可以看到准确度达到86%。
R语言_电信客户流失数据分析
WANWENXIN's Blog
12-15 6672
近年来，各行各业往往都会不可避免地面临用户流失的问题。研究表明，发展新用户所花费的宣传、促销等成本显然高于维持老用户的成本，因此，做好"客户流失预警"可以有效降低营销成本，做到精准营销。 如今，随着运营商的竞争不断加剧，电信运营商亟需提高用户留存率、增加用户黏性，减少客户流失。因此，需要对电信客户进行流失分析与预测，发掘客户流失的原因，进而改善自身业务，提高用户的满意度，延长用户生命周期。
数据分享|R语言用核Fisher判别方法、支持向量机、决策树与随机森林研究客户流失情况...
拓端研究室TRL
03-25 90
全文链接：https://tecdat.cn/?p=35438分析师：Jiaojiao Zhao现在，越来越多的人意识到预测客户的流失与否是一件非常重要的事情。而且比较值得注意的是，留住原有的客户是要比吸引新客户更加容易的，而且成本更低（点击文末“阅读原文”获取完整数据）。相关视频客户的流失可以从三个不同的方面来考虑。首先，失去现有客户相当于失去一台机器的重要零件并且不能保证马上就能换上新的，因为...
【R语言实战】——kNN和朴素贝叶斯方法实战
最新发布
jd1813346972的博客
04-27 1797
该篇文章主要针对葡萄酒数据，分别采用KNN和朴素贝叶斯算法实现葡萄酒品种的多分类预测，其中涉及数据集的描述性统计、标准化处理、训练集测试集的随机划分，模型效果评估，特征主成分提取，预测效果可视化等内容。
R语言实战-第十七章 R in action-chapter17
weixin_46964110的博客
01-15 605
R语言实战-第十七章 R in action-chapter17 分类 决策树 随机森林 支持向量 逻辑回归
R 语言聚类分析和主成分分析 分析期末 报告
weixin_54707168的博客
09-04 1102
在本学期的多元统计分析课程中，我学习了聚类分析和主成分分析（或因子分析）这两个重要的数据分析方法。通过这些学习，我对以下几个方面有了更深入的了解。聚类分析：聚类分析是一种无监督学习方法，用于将数据集中的个体划分为不同的组或簇，使得同一组内的个体之间具有相似性，而不同组之间的个体具有差异性。我了解了聚类算法的基本原理，包括距离度量、聚类算法（如K-means、层次聚类等）以及评估聚类结果的指标（如轮廓系数、Davies-Bouldin指数等）。
R语言综合实战案例
m0_55123273的博客
08-20 745
mydata
R语言学习之数据分析实战(一)
weixin_44211964的博客
09-20 7125
R语言学习之数据分析实战(一) 一、线性回归 回归（regression）：通常指那些用一个或多个预测变量，也称自变量或解释变量，来预测响应变量，也称为因变量、效标变量或结果变量的方法。 普通最小二乘回归法（OLS） 以women数据集为例： lm()函数 formula：需要拟合的形式，y~x data：需要使用的数据集，数据框的形式 R表达式中常用的符号 使用lm()函数对women数据集进行回归分析 > fit <- lm(weight ~ height, data=wome
R语言科研绘图实战 | 地表最强最全ggplot2基础绘图教程(含代码和案例)
Med2You的博客
10-12 946
ggplot2是一款强大的图形可视化R包，是R中最优雅、最美观的图形框架。其作图方式易于理解，且生成的图形精美，定制化程度高，成为R中最流行的数据可视化包。对于刚入学想学R语言进行科研绘图的研究生或者刚入门R语言老师，面对科研中形形色色的数据需要进行可视化展示时，可能会一头雾水，不知所措，无从下手。不知如何学习R语言科研绘图或者没有全面的R语言科研绘图学习教程，为更好的帮助各位小伙伴快速入门R语言科研绘图，本人整理了此地表最强最全ggplot2基本绘图教程，并附带了代码和示例，希望能够为大家提供一点儿帮助。
小鳗鱼实习作品集-001
02-25
【产品经理作品集】是求职者，尤其是产品经理这一职位的应聘者，用来展示自己专业技能、项目经验和创新思维的重要载体。这份名为"小鳗鱼实习作品集-001"的压缩包，很可能是某位实习生张墁芸为了求职而精心准备的资料...
视听作品创作-视听语言特性.pptx
05-24
视听作品
作品集-PE-v4
02-21
"作品集-PE-v4"项目就是基于Ruby语言的Rails框架进行创建的，它展示了团队在Web应用开发上的精湛技艺和创新思维。 首先，我们要理解Rails的基本概念。Ruby on Rails是由David Heinemeier Hansson在2004年基于Ruby...
作品集-v4
02-20
【作品集-v4】是一个基于TypeScript技术的个人作品集更新版本，相比于之前的【作品集-v3】，它可能包含了更多的功能改进、性能优化以及设计上的提升。TypeScript是JavaScript的一个超集，它引入了静态类型系统，为...
作品集-v1
02-11
在"作品集-v1"中，开发者可能运用了这些特性来增强用户体验，例如展示动态图像或音频作品，或者创建交互式的表单供用户填写联系信息。 文件名“portfolio-v1-master”暗示这是一个项目的主分支，通常在Git版本控制...
R_churn数据集分析
m0_55862255的博客
09-08 1479
churn <- read.csv(file = "../churn.txt",stringsAsFactors=TRUE) churn[1:10,] sum.churn <- summary(churn$Churn) prop.churn <- 483/(2850+483) counts <- table(churn$Churn,churn$Int.l.Plan,dnn=c("Churn","International Plan")) counts barplot(counts,.
数据分享|R语言决策树和随机森林分类电信公司用户流失churn数据和参数调优、ROC曲线可视化...
拓端研究室TRL
11-22 369
原文链接：http://tecdat.cn/?p=26868在本教程中，我们将学习覆盖决策树和随机森林。这些是可用于分类或回归的监督学习算法（点击文末“阅读原文”获取完整代码数据）。相关视频下面的代码将加载本教程所需的包和数据集。library(tidyverse) #电信客户流失率数据 churn<-read_rds(chuata.rds))数据花点时间探索下面的这个数据集（查看...
如何划分机器学习的训练集和测试集
neweastsun的专栏
05-03 9136
使用机器学习算法时，通常需要把数据分为训练集和测试集，本文介绍R语言的三种实现方法，并通过示例进行学习。 使用R内置方法 依据sample函数生成指定概率的true和false的向量，然后利用该向量过滤数据集得到训练集和测试集，语法如下： # 设置随机种子，使得示例可以重复 set.seed(1) # df是要分割的数据集 # 使用 70% 数据集作为训练集，30% 作为测试集 sample <- sample(c(TRUE, FALSE), nrow(df), replace=TRUE, pr.
客户流失预测--基于R语言C5.0
热门推荐
wshsa的博客
08-20 1万+
对于中国各大电信运营商而言，在整体市场规模相对稳定的情况下，能否维护好现有的客户是保证其收益的重中之重。因此，预测客户流失的可能性与否，直接关系到运营商的客户维护的重点正确与否。本文将基于”狗熊会“基础案例：收集客户流失，来演示基于C5.0算法的客户流失预测，数据下载 点击打开链接。 一、数据结构查看与初步分析 读入并查看数据（见下图），一共包含10个变量，其中ID为每个用户的唯一标识，在进
小小flash作品全集
05-12
小小flash作品全集是一个包含多个小型flash作品的集合。这些作品通常是由个人或团队在业余时间所制作的，涵盖了不同风格和主题的内容。 这些小小flash作品可以是游戏、动画、交互式教育课件等等，都以flash技术为基础。作品中可能会包括精美的画面、有趣的音效、流畅的动画以及有趣的互动方式，同时还可能有各种各样的挑战或游戏关卡，吸引着玩家或观众的注意力。 小小flash作品全集往往充满了可爱、有趣、创新的元素，让人们在轻松的娱乐中不知不觉中积累知识、提高思维能力、增强耐性和勇气。 同时，小小flash作品全集也是一些优秀的创意和设计的展示平台，让不少业余设计师和动画爱好者获得了展示自己作品的机会。 总之，小小flash作品全集不仅是一项有趣的娱乐活动，也是一种创意和设计的体现，可以带给人们很多快乐和启示。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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