Icon

JKI_​026_​Modeling_​Churn_​Predictions_​Part_​4

JKI_026_Modeling_Churn_Predictions_Part_4
課題26：チャーン予測のモデリング-パート4レベル：簡単説明：一連のデータ分類の課題をまとめるために、以下の解約の問題をもう一度考えてみましょう。通信会社は、アカウントの属性に基づいて、Churnする（チャーンつまり、契約をキャンセルする）顧客を予測することを求めています。テストデータで予測されるターゲットクラスはChurnです（値0はチャーンしない顧客に対応し、1はチャーンする顧客に対応します）。問題の適切なモデルをすでに見つけており、パフォーマンスを少し向上させるためにトレーニングデータを設計しました。今、あなたの任務はあなたが見出だした結果を視覚的に伝えることです。具体的には、次のようなダッシュボードを作成します。1. 両方のクラスのパフォーマンスを示します（ここでは、適合率や再現率など、任意の指標に焦点を当てることができます）2. モデルにとっての重要度に基づいて特徴量をランク付けします3. Local Explanation View コンポーネントを使用して、いくつかの単一の予測、特に擬陽性(FP)と偽陰性(FN)を説明しますデータセット入手先：https://hub.knime.com/alinebessa/spaces/Just%20KNIME%20It!%20Datasets/latest/Challenge%2023%20-%20Datasets~QtkrTSlsdv1kr5cO/Local Explanation View コンポーネント情報：https://www.knime.com/blog/xai-local-explanation-view-component 課題25：チャーン予測のモデリング-パート3の解答WFhttps://hub.knime.com/knimest/spaces/Public/latest/KNIMEST_JP/JKI_025_Modeling_Churn_Predictions_Part_3~NmRabuOZtFbbXzRh 1. 両方のクラスのパフォーマンスを示します（ここでは、適合率や再現率など、任意の指標に焦点を当てることができます） 2. モデルにとっての重要度に基づいて特徴量をランク付けします 3. Local Explanation View コンポーネントを使用して、いくつかの単一の予測、特に擬陽性(FP)と偽陰性(FN)を説明します Input:0 : Model as a Workflow Object1 : Data from Model Test Partition2 : Single Instance to ExplainOutput:0 : Counterfactuals Instances1 : Local Feature ImportanceRead training data(Churn should bestring for theclassifier to work)Read test data(Churn should bestring for theclassifier to work)Oversample churn class at each training sampleInspect variables."Churn" column isunbalancedApply picked modelclass = churn(using accuracy topick best model)Inspect variables."Churn" column isunbalancedSMOTE後のデータ分布を観察予測結果Prediction(Churn)=1実測Churn=0すなわちFPP (Churn=1)が最大すなわちもっとも予想が乖離Input:0 : Model as a Workflow Object1 : Data from Model Test PartitionOutput:0 : Global Feature Importance不要カラム(予測結果)を削除予測結果Prediction(Churn)=0実測Churn=1すなわちFNP (Churn=1)が最小すなわちもっとも予想が乖離不要カラム(予測結果)を削除Input:0 : Model as a Workflow Object1 : Data from Model Test Partition2 : Single Instance to ExplainOutput:0 : Counterfactuals Instances1 : Local Feature ImportanceLocal ExplanationView CSV Reader CSV Reader SMOTE Data Explorer Workflow Executor AutoML Data Explorer Data Explorer Row Filter Row Filter Top k Selector Global FeatureImportance Column Filter Scorer_for_AutoML Row Filter Row Filter Top k Selector Column Filter Local ExplanationView 課題26：チャーン予測のモデリング-パート4レベル：簡単説明：一連のデータ分類の課題をまとめるために、以下の解約の問題をもう一度考えてみましょう。通信会社は、アカウントの属性に基づいて、Churnする（チャーンつまり、契約をキャンセルする）顧客を予測することを求めています。テストデータで予測されるターゲットクラスはChurnです（値0はチャーンしない顧客に対応し、1はチャーンする顧客に対応します）。問題の適切なモデルをすでに見つけており、パフォーマンスを少し向上させるためにトレーニングデータを設計しました。今、あなたの任務はあなたが見出だした結果を視覚的に伝えることです。具体的には、次のようなダッシュボードを作成します。1. 両方のクラスのパフォーマンスを示します（ここでは、適合率や再現率など、任意の指標に焦点を当てることができます）2. モデルにとっての重要度に基づいて特徴量をランク付けします3. Local Explanation View コンポーネントを使用して、いくつかの単一の予測、特に擬陽性(FP)と偽陰性(FN)を説明しますデータセット入手先：https://hub.knime.com/alinebessa/spaces/Just%20KNIME%20It!%20Datasets/latest/Challenge%2023%20-%20Datasets~QtkrTSlsdv1kr5cO/Local Explanation View コンポーネント情報：https://www.knime.com/blog/xai-local-explanation-view-component 課題25：チャーン予測のモデリング-パート3の解答WFhttps://hub.knime.com/knimest/spaces/Public/latest/KNIMEST_JP/JKI_025_Modeling_Churn_Predictions_Part_3~NmRabuOZtFbbXzRh 1. 両方のクラスのパフォーマンスを示します（ここでは、適合率や再現率など、任意の指標に焦点を当てることができます） 2. モデルにとっての重要度に基づいて特徴量をランク付けします 3. Local Explanation View コンポーネントを使用して、いくつかの単一の予測、特に擬陽性(FP)と偽陰性(FN)を説明します Input:0 : Model as a Workflow Object1 : Data from Model Test Partition2 : Single Instance to ExplainOutput:0 : Counterfactuals Instances1 : Local Feature ImportanceRead training data(Churn should bestring for theclassifier to work)Read test data(Churn should bestring for theclassifier to work)Oversample churn class at each training sampleInspect variables."Churn" column isunbalancedApply picked modelclass = churn(using accuracy topick best model)Inspect variables."Churn" column isunbalancedSMOTE後のデータ分布を観察予測結果Prediction(Churn)=1実測Churn=0すなわちFPP (Churn=1)が最大すなわちもっとも予想が乖離Input:0 : Model as a Workflow Object1 : Data from Model Test PartitionOutput:0 : Global Feature Importance不要カラム(予測結果)を削除予測結果Prediction(Churn)=0実測Churn=1すなわちFNP (Churn=1)が最小すなわちもっとも予想が乖離不要カラム(予測結果)を削除Input:0 : Model as a Workflow Object1 : Data from Model Test Partition2 : Single Instance to ExplainOutput:0 : Counterfactuals Instances1 : Local Feature ImportanceLocal ExplanationView CSV Reader CSV Reader SMOTE Data Explorer Workflow Executor AutoML Data Explorer Data Explorer Row Filter Row Filter Top k Selector Global FeatureImportance Column Filter Scorer_for_AutoML Row Filter Row Filter Top k Selector Column Filter Local ExplanationView

Nodes

Extensions

Links

Download

To use this workflow in KNIME, download it from the below URL and open it in KNIME:

Download Workflow
Created by: rosy
Created at: 2015-04-23
On NodePit since: 2022-07-25
Last update: 2024-04-26
Created with KNIME version: v4.4.1
Tags: KNIMESTjustknimeit-26#justknimeit-26

Deploy, schedule, execute, and monitor your KNIME workflows locally, in the cloud or on-premises – with our brand new NodePit Runner.

Try NodePit Runner!