https://github.com/sultanazhari/prediction-model-of-customers-leaving
Bank Beta Company focus on retain existing customers, our task is to create a model that predicts whether or not a customer will leave the bank soon.
https://github.com/sultanazhari/prediction-model-of-customers-leaving
accuracy-score confusion-matrix logistic-regression-algorithm matplotlib-pyplot numpy pandas python3 random-forest roc-auc-score seaborn train-test-using-sklearn
Last synced: about 1 month ago
JSON representation
Bank Beta Company focus on retain existing customers, our task is to create a model that predicts whether or not a customer will leave the bank soon.
- Host: GitHub
- URL: https://github.com/sultanazhari/prediction-model-of-customers-leaving
- Owner: sultanazhari
- License: mit
- Created: 2024-07-01T02:08:55.000Z (10 months ago)
- Default Branch: main
- Last Pushed: 2024-07-01T02:23:20.000Z (10 months ago)
- Last Synced: 2025-01-25T09:09:32.265Z (3 months ago)
- Topics: accuracy-score, confusion-matrix, logistic-regression-algorithm, matplotlib-pyplot, numpy, pandas, python3, random-forest, roc-auc-score, seaborn, train-test-using-sklearn
- Language: Jupyter Notebook
- Homepage:
- Size: 584 KB
- Stars: 0
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project
README
# prediction-model-of-customers-leaving
# Deskripsi Proyek
Nasabah Bank Beta pergi meninggalkan perusahaan: sedikit demi sedikit, jumlah mereka berkurang setiap bulannya. Para pegawai bank menyadari bahwa akan lebih menghemat biaya jika perusahaan fokus untuk mempertahankan nasabah lama mereka yang setia daripada menarik nasabah baru.
Pada kasus ini, tugas kita adalah untuk memprediksi apakah seorang nasabah akan segera meninggalkan bank atau tidak. Kamu memiliki data terkait perilaku para klien di masa lalu dan riwayat pemutusan kontrak mereka dengan bank.
Buat sebuah model dengan skor F1 semaksimal mungkin. Untuk bisa dinyatakan lulus dari peninjauan, kamu memerlukan skor F1 minimal 0,59 untuk test dataset.
Setelah itu, kamu akan membuat perubahan yang diperlukan pada pekerjaanmu dan mengirimkannya kembali untuk tinjauan kedua.
Selain itu, ukur metrik AUC-ROC dan bandingkan metrik tersebut dengan skor F1.
# Deskripsi data
Fitur-fitur
RowNumber — indeks string data
CustomerId — ID pelanggan
Surname — nama belakang
CreditScore — skor kredit
Geography — negara domisili
Gender — gender
Age — umur
Tenure — jangka waktu jatuh tempo untuk deposito tetap nasabah (tahun)
Balance — saldo rekening
NumOfProducts — jumlah produk bank yang digunakan oleh nasabah
HasCrCard — apakah nasabah memiliki kartu kredit (1 - jika ya; 0 - jika tidak)
IsActiveMember — tingkat keaktifan nasabah (1 - jika ya; 0 - jika tidak)
EstimatedSalary — estimasi gaji
Target
Exited — apakah nasabah telah berhenti (1 - jika ya; 0 - jika tidak)