Progetto base

1. Importazione dei Dati<ul><li>Excel Reader (CallsData.xls): Carica i dati sulle abitudini di chiamata dei clienti. Include variabili come:<ul><li>Minuti di chiamata (giorno, sera, notte, internazionali)</li><li>Costi delle chiamate</li><li>Numero di chiamate ai servizi clienti</li></ul></li><li>CSV Reader (ContractData.csv): Carica i dati contrattuali dei clienti. Include informazioni come:<ul><li>Durata del contratto (Account Length)</li><li>Stato di residenza (State)</li><li>Partecipazione a piani internazionali e voicemail (Int'l Plan, VMail Plan)</li><li>Churn: variabile target (0 = Non abbandona, 1 = Abbandona)</li></ul></li><li>Table Reader (newtable_pro.table): Carica una nuova tabella di aggiornamento</li></ul>2. Integrazione dei Dati<ul><li>Joiner: Unisce i dati di CallsData e ContractData sulla base di colonne comuni (Area Code e Phone), creando un dataset completo con tutte le informazioni sui clienti.</li><li>Concatenate: Combina i dati ottenuti dal Joiner con quelli caricati direttamente dal Table Reader.</li></ul>3. Preprocessing dei Dati<ul><li>Number to String: Converte colonne numeriche in stringhe, utile per gestire correttamente i dati.</li><li>Color Manager: Assegna colori distintivi ai dati per facilitare l’analisi visiva. Con i clienti che hanno abbandonato (Churn = 1)con il colore rosso rispetto a quelli che non lo hanno fatto (Churn = 0) colore verde.</li><li>Missing Value: Gestisce i valori mancanti nei dati garantendo che il modello non fallisca a causa di dati incompleti.</li></ul>4. Suddivisione e Costruzione del Modello<ul><li>Partitioning: Divide il dataset in due parti:Training Set (per addestrare il modello)Test Set (per valutare le performance del modello) Usato 80%-20%.Decision Tree Learner: Addestra un albero decisionale utilizzando il training set. Il modello impara a prevedere il churn sulla base dei pattern presenti nei dati.Decision Tree Predictor: Applica il modello addestrato al test set per effettuare previsioni. Le previsioni vengono confrontate con i valori reali di Churn.</li></ul>5. Valutazione del Modello<ul><li>Scorer: Confronta le previsioni con i dati reali di Churn. Fornisce metriche di performance come:<ul><li>Accuracy: Percentuale di previsioni corrette.</li><li>Precision: Percentuale di clienti previsti come churner che lo sono realmente.</li><li>Recall (Sensibilità): Percentuale di churner identificati correttamente.</li><li>F1-Score: Media armonica tra precision e recall.</li></ul></li><li>ROC Curve: Valuta la capacità predittiva del modello.<ul><li>L'asse X rappresenta la False Positive Rate (1 - Specificità).</li><li>L'asse Y rappresenta la True Positive Rate (Sensibilità).</li><li>AUC (Area Under Curve): Misura complessiva di accuratezza del modello. Un AUC vicino a 1 indica un modello eccellente, mentre un valore vicino a 0.5 indica una classificazione casuale.</li></ul></li></ul>

1. Importazione dei Dati

Excel Reader (CallsData.xls):
Carica i dati sulle abitudini di chiamata dei clienti. Include variabili come:
- Minuti di chiamata (giorno, sera, notte, internazionali)
- Costi delle chiamate
- Numero di chiamate ai servizi clienti
CSV Reader (ContractData.csv):
Carica i dati contrattuali dei clienti. Include informazioni come:
- Durata del contratto (Account Length)
- Stato di residenza (State)
- Partecipazione a piani internazionali e voicemail (Int'l Plan, VMail Plan)
- Churn: variabile target (0 = Non abbandona, 1 = Abbandona)
Table Reader (newtable_pro.table):
Carica una nuova tabella di aggiornamento

2. Integrazione dei Dati

Joiner:
Unisce i dati di CallsData e ContractData sulla base di colonne comuni (Area Code e Phone), creando un dataset completo con tutte le informazioni sui clienti.
Concatenate:
Combina i dati ottenuti dal Joiner con quelli caricati direttamente dal Table Reader.

3. Preprocessing dei Dati

Number to String:
Converte colonne numeriche in stringhe, utile per gestire correttamente i dati.
Color Manager:
Assegna colori distintivi ai dati per facilitare l’analisi visiva. Con i clienti che hanno abbandonato (Churn = 1)con il colore rosso rispetto a quelli che non lo hanno fatto (Churn = 0) colore verde.
Missing Value:
Gestisce i valori mancanti nei dati garantendo che il modello non fallisca a causa di dati incompleti.

4. Suddivisione e Costruzione del Modello

Partitioning:
Divide il dataset in due parti:
Training Set (per addestrare il modello)
Test Set (per valutare le performance del modello)
Usato 80%-20%.
Decision Tree Learner:
Addestra un albero decisionale utilizzando il training set. Il modello impara a prevedere il churn sulla base dei pattern presenti nei dati.
Decision Tree Predictor:
Applica il modello addestrato al test set per effettuare previsioni. Le previsioni vengono confrontate con i valori reali di Churn.

5. Valutazione del Modello

Scorer:
Confronta le previsioni con i dati reali di Churn. Fornisce metriche di performance come:
- Accuracy: Percentuale di previsioni corrette.
- Precision: Percentuale di clienti previsti come churner che lo sono realmente.
- Recall (Sensibilità): Percentuale di churner identificati correttamente.
- F1-Score: Media armonica tra precision e recall.
ROC Curve:
Valuta la capacità predittiva del modello.
- L'asse X rappresenta la False Positive Rate (1 - Specificità).
- L'asse Y rappresenta la True Positive Rate (Sensibilità).
- AUC (Area Under Curve): Misura complessiva di accuratezza del modello. Un AUC vicino a 1 indica un modello eccellente, mentre un valore vicino a 0.5 indica una classificazione casuale.

Progetto base

Nodes

Extensions

Links

Download