Project — Customer Churn Classification

ခဏလေး ဒီလိုပဲ စဉ်းစားကြည့်

Customer Churn Prediction က business context မှာ အသုံးအများဆုံး classification use case တစ်ခုပါ — customer ရဲ့ behavior data (usage frequency, support ticket count, contract length) ကနေ 'ဒီ customer က ရက်သတ္တပတ်ရှေ့မှာ subscription ဖျက်နိုင်ခြေ ရှိလား' ဆိုတာကို predict ချပါတယ် — business team က high-risk customer ကို proactive ဖြင့် retention offer ပေးနိုင်ပါတယ်။ Class Imbalance (churn customer < non-churn customer, real-world မှာ အများအားဖြင့်) ကို ဒီ project မှာ တွေ့ရနိုင်လို့, Intermediate chapter ရဲ့ Precision/Recall/F1 concept ကို directly အသုံးချရပါလိမ့်မယ်.

လက်တွေ့ scenario နဲ့ ချိတ်ကြည့်မယ်

Customer dataset (usage_frequency, support_tickets, contract_length, churned) ကို — Logistic Regression + Random Forest Classifier ၂ ခုကို train, `classification_report()` ဖြင့် Precision/Recall/F1 compare, Random Forest ရဲ့ `feature_importances_` ကို ကြည့်ပြီး 'ဘယ် factor က churn ကို အများဆုံး ခန့်မှန်းနိုင်လဲ' ဆိုတာ business team ဆီ report ချရေးကြည့်ပါ.

• Customer Churn Prediction = business-relevant classification use case
• Class Imbalance ကို Precision/Recall/F1 (Accuracy တစ်ခုတည်း မဟုတ်) ဖြင့် properly evaluate
• feature_importances_ ဖြင့် business insight (ဘယ် factor က churn ကို ဆုံးဖြတ်လဲ) ထုတ်ယူခြင်း

အတူတူ ကြည့်မယ်

from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report

model = RandomForestClassifier(n_estimators=100, random_state=42)
model.fit(X_train, y_train)

predictions = model.predict(X_test)
print(classification_report(y_test, predictions))

# Which features matter most for predicting churn?
importances = sorted(zip(X.columns, model.feature_importances_), key=lambda x: -x[1])
for feature, importance in importances:
    print(f"{feature}: {importance:.2f}")

              precision    recall  f1-score
           0       0.91      0.95      0.93
           1       0.78      0.65      0.71

support_tickets: 0.42
usage_frequency: 0.35
contract_length: 0.23