LuisCSGuimaraes

CliCancelados = (df.customerID.loc[(df.tenure <= 24) & (df.Churn =='Yes')].index.value_counts().sum())
NCancelados = (df.customerID.loc[(df.tenure <= 24) & (df.Churn =='No')].index.value_counts().sum())
CliDetectados = (df.customerID.loc[(df.tenure <= 24) & (df.Churn =='Yes')].index.value_counts().sum())*0.91
CliFalsoPositivo = (df.customerID.loc[(df.tenure <= 24) & (df.Churn =='No')].index.value_counts().sum())*0.43
Recuperado = df.MonthlyCharges.loc[(df.tenure <= 24) & (df.Churn =='Yes')].mean()*CliDetectados

print("Simulação da aplicação do modelo diretamente no Dataset (utilizando as porcentagens de acerto dos dados de teste)")
print("=================================================================================================================")
print("\nClientes que cancelaram contrato: {:.0f}".format(CliCancelados))
print("Clientes que seriam detectados entre os que cancelaram contrato: {:.0f}".format(CliDetectados))

LuisCSGuimaraes

#Criando o plot
shap.summary_plot(shap_values, 
                  plot_type="dot", 
                  color_bar_label="Valor das variáveis",
                  feature_names=X.columns,
                  show=False)

#Capturando a figure e os axes do objeto criado
fig, ax = plt.gcf(), plt.gca()

LuisCSGuimaraes

#Criando o plot
shap.summary_plot(shap_values,
                  max_display=20, 
                  plot_type="bar",
                  feature_names=X.columns,
                  show=False)

#Capturando a figure e os axes do objeto criado
fig, ax = plt.gcf(), plt.gca()

LuisCSGuimaraes

#Criando um objeto para calcular os shap values
explainer = shap.Explainer(lsvc_final.predict, X_test, random_state=seed)
shap_values = explainer(X_test)

LuisCSGuimaraes

#Instanciando o modelo com os melhores hiperparâmetros encontrados
lsvc_final = LinearSVC(tol=1,
               class_weight={0:4,1:8},
               fit_intercept=False,
               random_state=seed)

#Normalizar as variáveis numéricas
X_test =  MinMax.fit_transform(X_test)

#Balancear os dados

LuisCSGuimaraes

#Dicionário dos parâmetros que serão utilizados no grid search
grid_params = {
    'loss':['hinge', 'squared_hinge'],
    'dual':[True, False],
    'multi_class':['ovr', 'crammer_singer'],
    'fit_intercept':[True,False],
    'intercept_scaling':range(0,5,1)
}

#Instanciando o modelo

LuisCSGuimaraes

#Instanciando o modelo sem hiperparâmetros
lsvc_random = LinearSVC(random_state=seed)

#Dicionário dos parâmetros que serão utilizados na Randomized Search
random_params = {
    'penalty': ['l1','l2'],
    'tol':[0.0001,0.001,0.01,0.1,1],
    'C':range(1,20,5),
    'class_weight':['balanced', {0:2,1:7}, {0:2,1:8}, {0:3,1:7}, {0:3,1:8}, {0:4,1:8}, {0:4,1:9}],
}

LuisCSGuimaraes

#Instanciando o modelo sem hiperparâmetros
lsvc_random = LinearSVC(random_state=seed)

#Dicionário dos parâmetros que serão utilizados na Randomized Search
random_params = {
    'penalty': ['l1','l2'],
    'tol':[0.0001,0.001,0.01,0.1,1],
    'C':range(1,20,5),
    'class_weight':['balanced', {0:2,1:7}, {0:2,1:8}, {0:3,1:7}, {0:3,1:8}, {0:4,1:8}, {0:4,1:9}],
}

LuisCSGuimaraes

#Instanciando o modelo com os hiperparâmetros encontrados
lsvc_grid = LinearSVC(C=1,
                      tol=0.001,
                      class_weight={0: 4, 1: 8},
                      penalty='l2',
                      random_state=seed)

#Treinando o modelo utilizando o cross_val_predict
y_pred = cross_val_predict(lsvc_grid, X_train, y_train)

LuisCSGuimaraes

#Dicionário dos parâmetros que serão utilizados no grid search
grid_params = {
    'class_weight':['balanced', {0:2,1:7}, {0:2,1:8}, {0:3,1:7}, {0:3,1:8}, {0:4,1:8}, {0:4,1:9}],
    'penalty':['l1', 'l2'],
}


#Instanciando o modelo
lsvc_grid = LinearSVC(C=1,
                      tol=0.001,