Kali ini saya membagikan hasil pengerjaan saya terkait dengan module Customer Churn Prediction using Machine Learning dari DQLab dengan mentor Mas Anton Suhartono sebagai Data Scientist Telkom Indonesia.
Jika pada module DQLab menggunakan Algoritma Logistic Regression, Random Forest Classifier, dan Gradient Boosting Classifier, maka kali ini saya tetap menggunakan algoritma Logistic Regression namun dengan tambahan algoritma lainnya yaitu Decision Tree Classifier dan Naive Bayes Classifier.
Ringkasan Akurasi Model
- Logistic Regression (akurasi training 80%, akurasi testing 79%)
- Decision Tree Classifier (akurasi training 100%, akurasi testing 73%)
- Naive Bayes Classifier (akurasi training 74%, akurasi testing 73%)
Dapat dilihat bahwa model Logistic Regression dan Naive Bayes mampu memprediksi sama baiknya di fase training maupun testing. Namun pada akhirnya model terbaik dimiliki oleh model Logistic Regression karena memiliki angka akurasi yang tinggi di banding model Naive Bayes.
Untuk mengunduh hasil project saya di folder ini, Anda dapat menjalankan perintah berikut di terminal Anda: git clone https://github.com/sermonzagoto/uji_akurasi_model.git Atau meng-klik tombol hijau bertuliskan "Code" dan "Download ZIP" di bagian kanan atas halaman ini.
Untuk menggunakan ekstensi .ipynb project saya, pastikan perangkat anda baik itu Laptop atau PC sudah terinstall jupyter notebook. Kebetulan saya menggunakan Google Collaboratory untuk mengerjakan project ini
Karya ini sudah memiliki lisensi MIT License https://opensource.org/licenses/MIT. Untuk mengetahui lebih lanjut, silahkan kunjungi https://opensource.org/licenses/MIT