教程：创建、评估和评分流失预测模型

项目
02/11/2025

本教程演示了 Microsoft Fabric 中 Synapse 数据科学工作流的端到端示例。此方案生成一个模型来预测银行客户是否流失。流失率或减员率涉及银行客户与银行结束业务的速度。

本教程介绍以下步骤：

安装自定义库
加载数据
通过探索性数据分析了解和处理数据，并显示 Fabric Data Wrangler 功能的用法
使用 scikit-learn 和 LightGBM 训练机器学习模型，并使用 MLflow 和 Fabric 的自动记录特性跟踪实验。
评估和保存最终机器学习模型
使用 Power BI 可视化效果显示模型性能

先决条件

获取 Microsoft Fabric 订阅。或者，注册免费的 Microsoft Fabric 试用版。
登录 Microsoft Fabric。
使用主页左下侧的体验切换器切换到 Fabric。

如有必要，请创建 Microsoft Fabric 湖屋，如在 Microsoft Fabric 中创建湖屋中所述。

在笔记本中继续操作

可以选择以下选项之一以在笔记中继续操作：

打开并运行内置笔记本。
从 GitHub 上传笔记本。

打开内置笔记本

本教程随附示例“客户流失”笔记本。

若要打开本教程的示例笔记本，请按照为数据科学教程准备系统中的说明进行操作。
在开始运行代码之前，请务必将湖屋附加到笔记本。

从 GitHub 导入笔记本

本教程随附 AIsample - Bank Customer Churn.ipynb 笔记本。

若要打开本教程随附的笔记本，请按照为数据科学教程准备系统中的说明将笔记本导入工作区。
如果要复制并粘贴此页面中的代码，可以创建新的笔记本。
在开始运行代码之前，请务必将湖屋连接到笔记本。

步骤 1：安装自定义库

对于机器学习模型开发或即席数据分析，可能需要为 Apache Spark 会话快速安装自定义库。有两个选项可用于安装库。

请使用笔记本的内嵌安装功能（%pip 或 %conda）在当前笔记本中安装库。
或者，可以创建 Fabric 环境、从公共源安装库或将自定义库上传到该环境，然后工作区管理员可以将环境附加为工作区的默认值。然后，环境中的所有库都可用于工作区中的任何笔记本和 Spark 作业定义。有关环境的详细信息，请参阅在 Microsoft Fabric中创建、配置和使用环境。

在本教程中，请使用 %pip install 在笔记本中安装 imblearn 库。

注意

运行 %pip install 后，PySpark 内核将重启。在运行任何其他单元格之前安装所需的库。

# Use pip to install libraries
%pip install imblearn

步骤 2：加载数据

churn.csv 中的数据集包含 10,000 个客户的变动状态，以及 14 个属性，其中包括：

信用评分
地理位置（德国、法国、西班牙）
性别（男性、女性）
年龄
任期（该人是该银行的客户年数）
帐户余额
估计工资
客户通过银行购买的产品数
信用卡状态（客户是否有信用卡）
活动成员状态（此人是否为活动银行客户）

数据集还包括行号、客户 ID 和客户姓氏列。这些列中的值不应影响客户离开银行的决定。

客户银行帐户关闭事件定义该客户的流失。数据集 Exited 列指客户的放弃。由于这些属性的上下文很少，因此不需要有关数据集的背景信息。我们希望了解这些属性对 Exited 状态的贡献。

在这 1 万个客户中，只有 2037 个客户（约 20%）已停止与银行业务往来。由于类不平衡比率，我们建议生成综合数据。混淆矩阵准确性可能与不平衡分类没有相关性。我们可能需要使用 Precision-Recall 曲线下的面积（AUPRC）来测量准确性。

下表显示了 churn.csv 数据的预览：

客户编号	Surname	信用评分	地理	性别	年龄	任期	Balance	NumOfProducts	HasCrCard	IsActiveMember	估算工资	Exited
15634602	哈格雷夫	619	法国	女性	42	2	0.00	1	1	1	101348.88	1
15647311	Hill	608	西班牙	女性	41	1	83807.86	1	0	1	112542.58	0

下载数据集并上传到湖仓系统

定义这些参数，以便可以将此笔记本用于不同的数据集：

IS_CUSTOM_DATA = False  # If TRUE, the dataset has to be uploaded manually

IS_SAMPLE = False  # If TRUE, use only SAMPLE_ROWS of data for training; otherwise, use all data
SAMPLE_ROWS = 5000  # If IS_SAMPLE is True, use only this number of rows for training

DATA_ROOT = "/lakehouse/default"
DATA_FOLDER = "Files/churn"  # Folder with data files
DATA_FILE = "churn.csv"  # Data file name

此代码下载数据集的公开可用版本，然后将该数据集存储在 Fabric Lakehouse 中：

重要

在运行代码之前，将湖屋添加到笔记本。否则将导致错误。

import os, requests
if not IS_CUSTOM_DATA:
# With an Azure Synapse Analytics blob, this can be done in one line

# Download demo data files into the lakehouse if they don't exist
    remote_url = "https://synapseaisolutionsa.blob.core.windows.net/public/bankcustomerchurn"
    file_list = ["churn.csv"]
    download_path = "/lakehouse/default/Files/churn/raw"

    if not os.path.exists("/lakehouse/default"):
        raise FileNotFoundError(
            "Default lakehouse not found, please add a lakehouse and restart the session."
        )
    os.makedirs(download_path, exist_ok=True)
    for fname in file_list:
        if not os.path.exists(f"{download_path}/{fname}"):
            r = requests.get(f"{remote_url}/{fname}", timeout=30)
            with open(f"{download_path}/{fname}", "wb") as f:
                f.write(r.content)
    print("Downloaded demo data files into lakehouse.")

开始录制运行笔记本所需的时间：

# Record the notebook running time
import time

ts = time.time()

从湖屋中读取原始数据

此代码从 lakehouse 的 Files 部分读取原始数据，并添加更多列以涵盖不同的日期部分。创建分区 Delta 表会使用此信息。

df = (
    spark.read.option("header", True)
    .option("inferSchema", True)
    .csv("Files/churn/raw/churn.csv")
    .cache()
)

基于数据集创建 pandas DataFrame

此代码将 Spark 数据帧转换为 pandas 数据帧，以便更轻松地处理和可视化：

df = df.toPandas()

步骤 3：执行探索性数据分析

显示原始数据

使用 display浏览原始数据，计算一些基本统计信息，并显示图表视图。必须先导入数据可视化所需的库，例如，seaborn。 Seaborn 是一个 Python 数据可视化库，它提供一个高级界面，用于在数据帧和数组上生成视觉对象。

import seaborn as sns
sns.set_theme(style="whitegrid", palette="tab10", rc = {'figure.figsize':(9,6)})
import matplotlib.pyplot as plt
import matplotlib.ticker as mticker
from matplotlib import rc, rcParams
import numpy as np
import pandas as pd
import itertools

display(df, summary=True)

使用 Data Wrangler 执行初始数据清理

直接从笔记本启动数据整理器，以浏览和转换 pandas DataFrame。从水平工具栏中选择“Data Wrangler”下拉列表，浏览可供编辑的已激活的 pandas 数据帧。选择要在 Data Wrangler 中打开的数据帧。

注意

当笔记本内核繁忙时，无法打开 Data Wrangler。在启动数据整理器之前，必须完成单元格执行。详细了解数据整理器。

Data Wrangler 启动后，将生成数据面板的描述性概述，如下图所示。概述包括有关 DataFrame 维度、任何缺失值等的信息。可以使用 Data Wrangler 生成脚本，以删除缺少值的行、重复的行和具有特定名称的列。然后，可以将脚本复制到单元格中。下一个单元格显示复制的脚本。

def clean_data(df):
    # Drop rows with missing data across all columns
    df.dropna(inplace=True)
    # Drop duplicate rows in columns: 'RowNumber', 'CustomerId'
    df.drop_duplicates(subset=['RowNumber', 'CustomerId'], inplace=True)
    # Drop columns: 'RowNumber', 'CustomerId', 'Surname'
    df.drop(columns=['RowNumber', 'CustomerId', 'Surname'], inplace=True)
    return df

df_clean = clean_data(df.copy())

确定属性

此代码确定分类、数字和目标属性：

# Determine the dependent (target) attribute
dependent_variable_name = "Exited"
print(dependent_variable_name)
# Determine the categorical attributes
categorical_variables = [col for col in df_clean.columns if col in "O"
                        or df_clean[col].nunique() <=5
                        and col not in "Exited"]
print(categorical_variables)
# Determine the numerical attributes
numeric_variables = [col for col in df_clean.columns if df_clean[col].dtype != "object"
                        and df_clean[col].nunique() >5]
print(numeric_variables)

显示五个数字的摘要

使用框图显示五个数字的摘要

最低分数
第一个四分位数
中值
第三个四分位数
最大分数

表示数值属性。

df_num_cols = df_clean[numeric_variables]
sns.set(font_scale = 0.7) 
fig, axes = plt.subplots(nrows = 2, ncols = 3, gridspec_kw =  dict(hspace=0.3), figsize = (17,8))
fig.tight_layout()
for ax,col in zip(axes.flatten(), df_num_cols.columns):
    sns.boxplot(x = df_num_cols[col], color='green', ax = ax)
# fig.suptitle('visualize and compare the distribution and central tendency of numerical attributes', color = 'k', fontsize = 12)
fig.delaxes(axes[1,2])

笔记本可视化结果的屏幕截图，显示了数值属性的箱线图。

显示已退出客户和非退出客户的分布

显示已退出客户与未退出客户在各类别属性中的分布：

attr_list = ['Geography', 'Gender', 'HasCrCard', 'IsActiveMember', 'NumOfProducts', 'Tenure']
fig, axarr = plt.subplots(2, 3, figsize=(15, 4))
for ind, item in enumerate (attr_list):
    sns.countplot(x = item, hue = 'Exited', data = df_clean, ax = axarr[ind%2][ind//2])
fig.subplots_adjust(hspace=0.7)

笔记本可视化结果的屏幕截图，显示了已退出客户和未退出客户的分布情况。

显示数值属性的分布

使用直方图显示数值属性的频率分布：

columns = df_num_cols.columns[: len(df_num_cols.columns)]
fig = plt.figure()
fig.set_size_inches(18, 8)
length = len(columns)
for i,j in itertools.zip_longest(columns, range(length)):
    plt.subplot((length // 2), 3, j+1)
    plt.subplots_adjust(wspace = 0.2, hspace = 0.5)
    df_num_cols[i].hist(bins = 20, edgecolor = 'black')
    plt.title(i)
# fig = fig.suptitle('distribution of numerical attributes', color = 'r' ,fontsize = 14)
plt.show()

显示数值属性的笔记本的屏幕截图。

执行特征工程

此功能工程基于当前属性生成新属性：

df_clean["NewTenure"] = df_clean["Tenure"]/df_clean["Age"]
df_clean["NewCreditsScore"] = pd.qcut(df_clean['CreditScore'], 6, labels = [1, 2, 3, 4, 5, 6])
df_clean["NewAgeScore"] = pd.qcut(df_clean['Age'], 8, labels = [1, 2, 3, 4, 5, 6, 7, 8])
df_clean["NewBalanceScore"] = pd.qcut(df_clean['Balance'].rank(method="first"), 5, labels = [1, 2, 3, 4, 5])
df_clean["NewEstSalaryScore"] = pd.qcut(df_clean['EstimatedSalary'], 10, labels = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10])

使用数据整理器执行独热编码

按照前面讨论的相同步骤启动数据整理器，使用数据整理器执行独热编码。此单元格显示复制生成的用于独热编码的脚本：

df_clean = pd.get_dummies(df_clean, columns=['Geography', 'Gender'])

创建增量表以生成 Power BI 报表

table_name = "df_clean"
# Create a PySpark DataFrame from pandas
sparkDF=spark.createDataFrame(df_clean) 
sparkDF.write.mode("overwrite").format("delta").save(f"Tables/{table_name}")
print(f"Spark DataFrame saved to delta table: {table_name}")

探索数据分析中的观察结果摘要

大多数客户来自法国。与法国和德国相比，西班牙的流失率最低。
大多数客户都有信用卡
一些客户年龄在 60 岁以上，信用评分低于 400。但是，它们不能被视为离群值
很少有客户拥有两个以上的银行产品
非活动客户流失率较高
性别和任期年对客户关闭银行账户的决定影响不大

步骤 4：执行模型训练和跟踪

有了数据，现在可以定义模型。在此笔记本中应用随机森林和 LightGBM 模型。

使用 scikit-learn 和 LightGBM 库通过几行代码实现模型。此外，使用 MLfLow 和 Fabric 自动记录来跟踪试验。

此代码示例从湖屋加载 Delta 表。可以使用其他 Delta 表，这些表本身使用湖屋作为源。

SEED = 12345
df_clean = spark.read.format("delta").load("Tables/df_clean").toPandas()

使用 MLflow 生成用于跟踪和记录模型的试验

本部分演示如何生成试验，并指定模型和训练参数以及评分指标。此外，它还演示如何训练模型、记录模型以及保存训练的模型以供以后使用。

import mlflow

# Set up the experiment name
EXPERIMENT_NAME = "sample-bank-churn-experiment"  # MLflow experiment name

自动记录功能会在训练模型过程中捕获机器学习模型的输入参数值和输出指标。然后，此信息将记录到工作区，其中 MLflow API 或工作区中的相应试验可以访问和可视化它。

完成后，试验将类似于下图：

记录具有各自名称的所有试验，可以跟踪其参数和性能指标。若要了解有关自动记录的详细信息，请参阅 Microsoft Fabric 中的自动记录。

设置试验和自动记录规范

mlflow.set_experiment(EXPERIMENT_NAME) # Use a date stamp to append to the experiment
mlflow.autolog(exclusive=False)

导入 scikit-learn 和 LightGBM

# Import the required libraries for model training
from sklearn.model_selection import train_test_split
from lightgbm import LGBMClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, f1_score, precision_score, confusion_matrix, recall_score, roc_auc_score, classification_report

准备训练和测试数据集

y = df_clean["Exited"]
X = df_clean.drop("Exited",axis=1)
# Train/test separation
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.20, random_state=SEED)

将 SMOTE 应用于训练数据

不平衡分类存在问题，因为它的少数类示例太少，无法有效地了解决策边界。为此，合成少数类过采样技术 (SMOTE) 是为少数类合成新样本的最广泛使用的方法。使用在步骤 1 中安装的 imblearn 库访问 SMOTE。

仅将 SMOTE 应用于训练数据集。必须将测试数据集保留为其原始不平衡分布，才能对原始数据获得模型性能的有效近似值。此试验表示生产环境中的情况。

from collections import Counter
from imblearn.over_sampling import SMOTE

sm = SMOTE(random_state=SEED)
X_res, y_res = sm.fit_resample(X_train, y_train)
new_train = pd.concat([X_res, y_res], axis=1)

有关详细信息，请参阅 SMOTE 和从随机过度采样到 SMOTE 和 ADASYN。 imbalanced-learn网站托管这些资源。

训练模型

使用随机林训练模型，最大深度为 4，具有 4 个特征：

mlflow.sklearn.autolog(registered_model_name='rfc1_sm')  # Register the trained model with autologging
rfc1_sm = RandomForestClassifier(max_depth=4, max_features=4, min_samples_split=3, random_state=1) # Pass hyperparameters
with mlflow.start_run(run_name="rfc1_sm") as run:
    rfc1_sm_run_id = run.info.run_id # Capture run_id for model prediction later
    print("run_id: {}; status: {}".format(rfc1_sm_run_id, run.info.status))
    # rfc1.fit(X_train,y_train) # Imbalanced training data
    rfc1_sm.fit(X_res, y_res.ravel()) # Balanced training data
    rfc1_sm.score(X_test, y_test)
    y_pred = rfc1_sm.predict(X_test)
    cr_rfc1_sm = classification_report(y_test, y_pred)
    cm_rfc1_sm = confusion_matrix(y_test, y_pred)
    roc_auc_rfc1_sm = roc_auc_score(y_res, rfc1_sm.predict_proba(X_res)[:, 1])

使用随机林训练模型，最大深度为 8，具有 6 个特征：

mlflow.sklearn.autolog(registered_model_name='rfc2_sm')  # Register the trained model with autologging
rfc2_sm = RandomForestClassifier(max_depth=8, max_features=6, min_samples_split=3, random_state=1) # Pass hyperparameters
with mlflow.start_run(run_name="rfc2_sm") as run:
    rfc2_sm_run_id = run.info.run_id # Capture run_id for model prediction later
    print("run_id: {}; status: {}".format(rfc2_sm_run_id, run.info.status))
    # rfc2.fit(X_train,y_train) # Imbalanced training data
    rfc2_sm.fit(X_res, y_res.ravel()) # Balanced training data
    rfc2_sm.score(X_test, y_test)
    y_pred = rfc2_sm.predict(X_test)
    cr_rfc2_sm = classification_report(y_test, y_pred)
    cm_rfc2_sm = confusion_matrix(y_test, y_pred)
    roc_auc_rfc2_sm = roc_auc_score(y_res, rfc2_sm.predict_proba(X_res)[:, 1])

使用 LightGBM 训练模型：

# lgbm_model
mlflow.lightgbm.autolog(registered_model_name='lgbm_sm')  # Register the trained model with autologging
lgbm_sm_model = LGBMClassifier(learning_rate = 0.07, 
                        max_delta_step = 2, 
                        n_estimators = 100,
                        max_depth = 10, 
                        eval_metric = "logloss", 
                        objective='binary', 
                        random_state=42)

with mlflow.start_run(run_name="lgbm_sm") as run:
    lgbm1_sm_run_id = run.info.run_id # Capture run_id for model prediction later
    # lgbm_sm_model.fit(X_train,y_train) # Imbalanced training data
    lgbm_sm_model.fit(X_res, y_res.ravel()) # Balanced training data
    y_pred = lgbm_sm_model.predict(X_test)
    accuracy = accuracy_score(y_test, y_pred)
    cr_lgbm_sm = classification_report(y_test, y_pred)
    cm_lgbm_sm = confusion_matrix(y_test, y_pred)
    roc_auc_lgbm_sm = roc_auc_score(y_res, lgbm_sm_model.predict_proba(X_res)[:, 1])

查看实验工件以跟踪模型性能

试验运行会自动保存在试验项目中。可以在工作区中找到该工件。项目根据用于设置试验的名称进行命名。所有已训练的模型及其运行、性能指标和模型参数都记录在试验页上。

查看试验：

在左侧面板中，选择工作区。
查找并选择相应的试验名称，在本例中为“sample-bank-churn-experiment”。

步骤 5：评估和保存最终机器学习模型

从工作区打开保存的试验以选择并保存最佳模型：

# Define run_uri to fetch the model
# MLflow client: mlflow.model.url, list model
load_model_rfc1_sm = mlflow.sklearn.load_model(f"runs:/{rfc1_sm_run_id}/model")
load_model_rfc2_sm = mlflow.sklearn.load_model(f"runs:/{rfc2_sm_run_id}/model")
load_model_lgbm1_sm = mlflow.lightgbm.load_model(f"runs:/{lgbm1_sm_run_id}/model")

评估测试数据集上保存的模型的性能

ypred_rfc1_sm = load_model_rfc1_sm.predict(X_test) # Random forest with maximum depth of 4 and 4 features
ypred_rfc2_sm = load_model_rfc2_sm.predict(X_test) # Random forest with maximum depth of 8 and 6 features
ypred_lgbm1_sm = load_model_lgbm1_sm.predict(X_test) # LightGBM

使用混淆矩阵显示真正、假正、真负和假负

若要评估分类的准确性，请生成绘制混淆矩阵的脚本。还可以使用 SynapseML 工具绘制混淆矩阵，如欺诈检测示例所示。

def plot_confusion_matrix(cm, classes,
                          normalize=False,
                          title='Confusion matrix',
                          cmap=plt.cm.Blues):
    print(cm)
    plt.figure(figsize=(4,4))
    plt.rcParams.update({'font.size': 10})
    plt.imshow(cm, interpolation='nearest', cmap=cmap)
    plt.title(title)
    plt.colorbar()
    tick_marks = np.arange(len(classes))
    plt.xticks(tick_marks, classes, rotation=45, color="blue")
    plt.yticks(tick_marks, classes, color="blue")

    fmt = '.2f' if normalize else 'd'
    thresh = cm.max() / 2.
    for i, j in itertools.product(range(cm.shape[0]), range(cm.shape[1])):
        plt.text(j, i, format(cm[i, j], fmt),
                 horizontalalignment="center",
                 color="red" if cm[i, j] > thresh else "black")

    plt.tight_layout()
    plt.ylabel('True label')
    plt.xlabel('Predicted label')

为随机林分类器创建混淆矩阵，最大深度为 4，具有四个特征：

cfm = confusion_matrix(y_test, y_pred=ypred_rfc1_sm)
plot_confusion_matrix(cfm, classes=['Non Churn','Churn'],
                      title='Random Forest with max depth of 4')
tn, fp, fn, tp = cfm.ravel()

笔记本可视化结果的屏幕截图，显示了最大深度为四的随机森林混淆矩阵。

为最大深度为 8 的随机林分类器创建混淆矩阵，其中包含六个特征：

cfm = confusion_matrix(y_test, y_pred=ypred_rfc2_sm)
plot_confusion_matrix(cfm, classes=['Non Churn','Churn'],
                      title='Random Forest with max depth of 8')
tn, fp, fn, tp = cfm.ravel()

笔记本可视化结果的屏幕截图，显示了最大深度为八的随机森林混淆矩阵。

为 LightGBM 创建混淆矩阵：

cfm = confusion_matrix(y_test, y_pred=ypred_lgbm1_sm)
plot_confusion_matrix(cfm, classes=['Non Churn','Churn'],
                      title='LightGBM')
tn, fp, fn, tp = cfm.ravel()

笔记本可视化结果的屏幕截图，显示了 LightGBM 混淆矩阵。

保存 Power BI 的结果

将 Delta 帧保存到 Lakehouse，以便将模型预测结果转移到 Power BI 可视化效果中。

df_pred = X_test.copy()
df_pred['y_test'] = y_test
df_pred['ypred_rfc1_sm'] = ypred_rfc1_sm
df_pred['ypred_rfc2_sm'] =ypred_rfc2_sm
df_pred['ypred_lgbm1_sm'] = ypred_lgbm1_sm
table_name = "df_pred_results"
sparkDF=spark.createDataFrame(df_pred)
sparkDF.write.mode("overwrite").format("delta").option("overwriteSchema", "true").save(f"Tables/{table_name}")
print(f"Spark DataFrame saved to delta table: {table_name}")

步骤 6：访问 Power BI 中的可视化效果

在 Power BI 中访问已保存的表：

在左侧，选择“OneLake”。
选择已添加到此笔记本的湖屋。
在“打开此湖屋”部分中，选择“打开”。
在功能区上，选择“新建语义模型”。选择 df_pred_results，然后选择确认以创建新的链接到预测的 Power BI 语义模型。
打开新的语义模型。可以在 OneLake 中找到它。
从语义模型页面顶部的工具中选择文件下的“新建报表”，以打开 Power BI 报表创作页面。

以下屏幕截图显示了一些示例可视化效果。数据面板显示要从表中选择的 Delta 表和列。选择适当的类别（x）和值（y）轴后，可以选择筛选器和函数-例如，表列的总和或平均值。

注意

在此屏幕截图中，演示的示例描述了 Power BI 中保存的预测结果的分析：

但是，对于真实的客户流失用例，用户可能需要一套有关要创建的可视化对象的更全面的要求，这些要求基于主题专业知识以及公司与业务分析团队已标准化为指标的内容。

Power BI 报表显示，使用两个以上的银行产品的客户流失率更高。但是，很少有客户拥有两个以上的产品。（请参阅左下面板中的绘图。该银行应收集更多数据，但还应调查与更多产品相关的其他功能。

与法国和西班牙的客户相比，德国的银行客户流失率更高。（请参阅右下面板中的绘图）。根据报告结果，对鼓励客户离开的因素进行调查可能会有所帮助。

有更多的中年客户（25至45岁）。 45 到 60 之间的客户倾向于退出更多。

最后，信用评分较低的客户很可能将银行留给其他金融机构。银行应探索如何鼓励信用评分较低的客户和帐户余额留在银行。

# Determine the entire runtime
print(f"Full run cost {int(time.time() - ts)} seconds.")

通过

教程：创建、评估和评分流失预测模型

先决条件

在笔记本中继续操作

打开内置笔记本

从 GitHub 导入笔记本

步骤 1：安装自定义库

步骤 2：加载数据

下载数据集并上传到湖仓系统

从湖屋中读取原始数据

基于数据集创建 pandas DataFrame

步骤 3：执行探索性数据分析

显示原始数据

使用 Data Wrangler 执行初始数据清理

确定属性

显示五个数字的摘要

显示已退出客户和非退出客户的分布

显示数值属性的分布

执行特征工程

使用数据整理器执行独热编码

创建增量表以生成 Power BI 报表

探索数据分析中的观察结果摘要

步骤 4：执行模型训练和跟踪

使用 MLflow 生成用于跟踪和记录模型的试验

设置试验和自动记录规范

导入 scikit-learn 和 LightGBM

准备训练和测试数据集

将 SMOTE 应用于训练数据

训练模型

查看实验工件以跟踪模型性能

步骤 5：评估和保存最终机器学习模型

评估测试数据集上保存的模型的性能

使用混淆矩阵显示真正、假正、真负和假负

保存 Power BI 的结果

步骤 6：访问 Power BI 中的可视化效果

反馈

其他资源

通过

教程：创建、评估和评分流失预测模型

先决条件

在笔记本中继续操作

打开内置笔记本

从 GitHub 导入笔记本

步骤 1：安装自定义库

步骤 2：加载数据

下载数据集并上传到湖仓系统

从湖屋中读取原始数据

基于数据集创建 pandas DataFrame

步骤 3：执行探索性数据分析

显示原始数据

使用 Data Wrangler 执行初始数据清理

确定属性

显示五个数字的摘要

显示已退出客户和非退出客户的分布

显示数值属性的分布

执行特征工程

使用数据整理器执行独热编码

创建增量表以生成 Power BI 报表

探索数据分析中的观察结果摘要

步骤 4：执行模型训练和跟踪

使用 MLflow 生成用于跟踪和记录模型的试验

设置试验和自动记录规范

导入 scikit-learn 和 LightGBM

准备训练和测试数据集

将 SMOTE 应用于训练数据

训练模型

查看实验工件以跟踪模型性能

步骤 5：评估和保存最终机器学习模型

评估测试数据集上保存的模型的性能

使用混淆矩阵显示真正、假正、真负和假负

保存 Power BI 的结果

步骤 6：访问 Power BI 中的可视化效果

相关内容

反馈

其他资源