https://github.com/caritoramos/predictive-classification-model-in-python

This project applies Machine Learning classification models to predict customer acceptance of marketing offers using Python and libraries such as Pandas, NumPy, Scikit-learn, and XGBoost.
https://github.com/caritoramos/predictive-classification-model-in-python

classification-algorithm data-science decision-tree-classifier logistic-regression machine-learning random-forest

Last synced: about 2 months ago
JSON representation

This project applies Machine Learning classification models to predict customer acceptance of marketing offers using Python and libraries such as Pandas, NumPy, Scikit-learn, and XGBoost.

• Host: GitHub
• URL: https://github.com/caritoramos/predictive-classification-model-in-python
• Owner: CaritoRamos
• Created: 2024-02-29T21:34:17.000Z (about 1 year ago)
• Default Branch: main
• Last Pushed: 2025-03-31T01:54:42.000Z (about 2 months ago)
• Last Synced: 2025-03-31T02:33:48.603Z (about 2 months ago)
• Topics: classification-algorithm, data-science, decision-tree-classifier, logistic-regression, machine-learning, random-forest
• Language: Jupyter Notebook
• Homepage:
• Size: 8.68 MB
• Stars: 0
• Watchers: 1
• Forks: 0
• Open Issues: 0
• Metadata Files:
  • Readme: README.md

Awesome Lists containing this project

README

        
# 📊 **Modelo Supervisado de Clasificación: Aceptación de Clientes a Ofertas en Campañas de Marketing**

Este proyecto aplica técnicas de Machine Learning para predecir la aceptación de clientes a ofertas en campañas de marketing. 

A través del análisis predictivo, permite a las empresas anticipar el comportamiento de los clientes y optimizar sus estrategias comerciales.

## 🔍 **Estructura del Proyecto**

### 1️⃣ **Entendimiento de los Datos (Data Understanding)**

- Análisis inicial del dataset.

- Revisión de tipos de datos, valores nulos y distribución de variables.

- Identificación de posibles sesgos o desbalance de clases.

### 2️⃣ **Preparación de los Datos (Data Preparation)**

- Manejo de valores faltantes y outliers.

- Creación de nuevas variables relevantes.

- Codificación de variables categóricas.

- Normalización y escalado de variables numéricas.

- División del dataset en entrenamiento (70%), validación (15%) y prueba (15%).

### 3️⃣ **Análisis Exploratorio de Datos (EDA)**

- Visualización de distribuciones de variables.

- Análisis de correlaciones entre características.

- Detección de patrones relevantes en los datos.

### 4️⃣ **Modelado (Modelling)**

- Selección de algoritmos de clasificación supervisada:

  - Regresión logística.

  - Random Forest.

  - XGBoost.

- Ajuste de hiperparámetros y validación cruzada.

- Evaluación del desempeño con métricas como precisión, recall, F1-score y matriz de confusión.

### 5️⃣ **Interpretación de Resultados y Conclusiones**

- Comparación de modelos y selección del mejor enfoque.

- Identificación de variables más influyentes en la predicción.

- Recomendaciones para la aplicación del modelo en estrategias de marketing.

## 🛠 **Tecnologías Utilizadas**

- **Lenguaje**: Python  

- **Librerías**: Pandas, NumPy, Scikit-learn, Matplotlib, Seaborn, XGBoost  

- **Herramientas**: Jupyter Notebook, Google Colab