Cet article est largement inspiré du tutoriel initialement publié en anglais sur le site de Microsoft : "Telco Customer Churn"
Petite intro en video: http://channel9.msdn.com/Blogs/Windows-Azure/Customer-Churn-Prediction-by-Azure-Machine-Learning
Le lien vers l'exemple sur Azure ML:
http://gallery.azureml.net/Details/31c19425ee874f628c847f7e2d93e383
Dans cet exemple nous allons tenter de déterminer les facteurs permettant de prédire l'attrition des clients d'un opérateur de télécom.
L'article ci-dessous, assez technique explique pourquoi une approche multi-modèles est nécessaire
http://azure.microsoft.com/en-us/documentation/articles/machine-learning-azure-ml-customer-churn-scenario/
Je ne rentre pas dans le détail car tout est parfaitement décrit dedans.
Maintenant, pratiquons un peu.
Petite intro en video: http://channel9.msdn.com/Blogs/Windows-Azure/Customer-Churn-Prediction-by-Azure-Machine-Learning
Le lien vers l'exemple sur Azure ML:
http://gallery.azureml.net/Details/31c19425ee874f628c847f7e2d93e383
Dans cet exemple nous allons tenter de déterminer les facteurs permettant de prédire l'attrition des clients d'un opérateur de télécom.
L'article ci-dessous, assez technique explique pourquoi une approche multi-modèles est nécessaire
http://azure.microsoft.com/en-us/documentation/articles/machine-learning-azure-ml-customer-churn-scenario/
Je ne rentre pas dans le détail car tout est parfaitement décrit dedans.
Maintenant, pratiquons un peu.
Le prototype ci-dessus montre que nous allons employer 4 différents classifiers en parallèle pour obtenir un résultat correct.
La raison qui justifie une approche multi-modèles n'est pas uniquement d'essayer différents classifiers pour obtenir un meilleur résultat de prédiction. C'est surtout pour limiter le surapprentissage (over-fitting)..
Comments
Post a Comment