Contexte Métier
Une entreprise de télécommunications souhaite évaluer la robustesse de son modèle de prédiction d'attrition (churn) avant la mise en production. L'objectif est d'utiliser un modèle de Gradient Boosting et de valider ses performances sur 5 segments (plis) différents pour éviter le sur-apprentissage.
Préparation des Données
Simulation d'un parc client avec ancienneté, facture mensuelle et indicateur de churn.
Copié !
| 1 | |
| 2 | DATA work.churn_data; |
| 3 | call streaminit(123); |
| 4 | DO i=1 to 1000; |
| 5 | tenure = rand('integer', 1, 72); |
| 6 | monthly_bill = rand('uniform', 30, 120); |
| 7 | IF rand('uniform') < 0.15 THEN churn='Yes'; |
| 8 | ELSE churn='No'; |
| 9 | OUTPUT; |
| 10 | END; |
| 11 | |
| 12 | RUN; |
| 13 |
Étapes de réalisation
1
Chargement des données clients dans la mémoire CAS.
Copié !
| 1 | |
| 2 | PROC CAS; |
| 3 | upload path="%sysfunc(pathname(work))/churn_data.sas7bdat" casout={name="churn_data", replace=true}; |
| 4 | |
| 5 | QUIT; |
| 6 |
2
Exécution de la validation croisée (5 plis par défaut) avec le modèle GRADBOOST.
Copié !
| 1 | |
| 2 | PROC CAS; |
| 3 | mlTools.crossValidate RESULT=r / kFolds=5 modelType="GRADBOOST" tableRedistUpPolicy="REBALANCE" trainOptions={TABLE={name="churn_data"}, target="churn", inputs={"tenure", "monthly_bill"}, nominals={"churn"}}; |
| 4 | PRINT r; |
| 5 | |
| 6 | QUIT; |
| 7 |
Résultat Attendu
L'action doit produire une table de résultats affichant les métriques de performance (ex: erreur moyenne, erreurs de classification) moyennées sur les 5 plis, confirmant la stabilité du modèle Gradient Boosting.