Reducción del churn a través de modelos predictivos

Published: 16 June 2020| Version 1 | DOI: 10.17632/sysyspmjdz.1
Contributor:
CarlosRC Romero-Camacho Baselga

Description

Código separado en 5 archivos .py Resultados del código para cada planteamiento recogidos en 2 archivos .xlsx El código de ejecución de las estrategias se denomina: Ensamble_Submuestras.py y Oversampling_SMOTE.py Dicho código necesita de los archivos f_analisis.py que contiene funciones y clases creadas para desempeñar de forma más rápida el análisis de datos, f_ESubmuestras.py que contiene las funciones y clases creadas para el desarrollo de la estrategia del Ensamble de Submuestras , y f_O_SMOTE.py,que contiene las funciones y clases creadas para el desarrollo de la estrategia del Oversampling con SMOTE. Resultados de ensamble de estimadores para cada planteamiento: Ensamble_Submuestras -> ES_21_Resultado_Abanico.xlsx Oversampling_SMOTE -> SMOTE_TR_Resultado_Abanico.xlsx

Files

Institutions

Universidad Pontificia Comillas Escuela Tecnica Superior de Ingenieria

Categories

Machine Learning, Predictive Modeling

Licence