REDMI in English

Customer Churn Prediction Analysis 🚀📉

Predicting Customer Churn Using Machine Learning
Comprehensive Analysis, Modeling, and Algorithm Comparison for Identifying At-Risk Customers

📌 Project Overview

This project aims to predict customer churn using advanced machine learning techniques and data analysis. Developed models can accurately identify at-risk customers through:

• Data preprocessing & feature engineering
• Comparison of 3 core models: Gradient Boosting, LDA, XGBoost
• Hyperparameter optimization with GridSearch
• Key metric evaluation (Accuracy, F1-Score)

Performance Summary Table

Model	Test Accuracy	Test F1	Complexity	Training Speed
XGBoost	89.71%	82.63%	High	Medium
Gradient Boosting	89.28%	82.21%	High	Slow
LDA	88.93%	82.03%	Low	Very Fast

🛠️ Technologies Used

• Programming Language: Python 3.9+
• Core Libraries:

  scikit-learn==1.2.2
  xgboost==1.7.6
  pandas==2.0.3
  numpy==1.24.3
  matplotlib==3.7.1
  seaborn==0.12.2

📥 Installation & Execution

1. Clone Repository:

   git clone https://github.com/yourusername/Customer-Churn-Prediction-Analysis.git

2. Install Dependencies:

   pip install -r requirements.txt

3. Run Jupyter Notebooks:

   jupyter notebook Customer-Churn-Prediction-Analysis-Classifier-Explanation-in-English.ipynb  # English version
   jupyter notebook Customer-Churn-Prediction-Analysis-Classifier-Explanation-in-Persian.ipynb  # Persian version

📜 License

This project is licensed under the MIT License.

👋 We hope you find this project valuable! 🚀

Contact Developer

📧 Email: masudpythongit@gmail.com
🔗 GitHub Profile: sorna-fast

---

REDME in Persian

Customer Churn Prediction Analysis 🚀📉

پروژه پیشبینی ترک مشتری با استفاده از یادگیری ماشین
تحلیل جامع، مدلسازی و مقایسه الگوریتمها برای شناسایی مشتریان در معرض ترک

📌 خلاصه پروژه

پروژه حاضر با هدف پیشبینی ترک مشتریان طراحی شده است. با استفاده از تکنیکهای پیشرفته یادگیری ماشین و تحلیل داده، مدلهایی توسعه داده شدهاند که قادرند مشتریان در معرض ترک را با دقت بالا شناسایی کنند. این پروژه شامل مراحل زیر است:

• پیشپردازش داده و مهندسی ویژگی
• مقایسه ۳ مدل اصلی: Gradient Boosting, LDA, XGBoost
• بهینهسازی هایپرپارامترها با GridSearch
• ارزیابی مبتنی بر معیارهای کلیدی (Accuracy, F1-Score)

تصویر کلی عملکرد:

مدل	دقت تست	F1 تست	پیچیدگی مدل
XGBoost	۸۹.۷۱٪	۸۲.۶۳٪	بالا
Gradient Boosting	۸۹.۲۸٪	۸۲.۲۱٪	بالا
LDA	۸۸.۹۳٪	۸۲.۰۳٪	پایین

🛠️ فناوریهای استفادهشده

• زبان برنامهنویسی: +Python 3.9
• کتابخانههای اصلی:

  scikit-learn==1.2.2
  xgboost==1.7.6
  pandas==2.0.3
  numpy==1.24.3
  matplotlib==3.7.1
  seaborn==0.12.2

📥 نحوه اجرا

1. کلون ریپازیتوری:

   git clone https://github.com/yourusername/Customer-Churn-Prediction-Analysis.git

2. نصب نیازمندیها:

   pip install -r requirements.txt

3. اجرای جupyter نوتبوک اصلی:

   jupyter notebook Customer-Churn-Prediction-Analysis-Classifier-Explanation-in-English.ipynb توضیحات انگلیسی
   jupyter notebook Customer-Churn-Prediction-Analysis-Classifier-Explanation-in-Persian.ipynb توضیحات فارسی

مجوز

این پروژه تحت لایسنس MIT منتشر شده است.

---

👋 امیدواریم این پروژه برای شما مفید باشد! 🚀

ارتباط با توسعه‌دهنده

Email:masudpythongit@gmail.com

🔗 حساب گیتهاب: sorna-fast

---