Abandono de Clientes

Para empezar, se utiliza un entorno virtual. Las librerías esenciales para el proyecto son pandas, seaborn, matplotlib y sklearn.

Para asegurar que el ambiente está listo, se puede ejecutar un script de verificación:

!python -V print('------') !pip show Pandas | grep 'Name\\|Version' print('------') !pip show Matplotlib | grep 'Name\\|Version'

En este paso se realiza la limpieza, manejo de valores faltantes y codificación de variables categóricas.

• One Hot Encoding: Se convierten las columnas categóricas como Contract y PaymentMethod a formato numérico usando get_dummies.
• Escalado de Características: Se normalizan variables numéricas como tenure y MonthlyCharges para que tengan una escala similar.
• Tratamiento de duplicados y nulos: Se limpia el dataset para asegurar su calidad.

Análisis y comprensión del conjunto de datos para identificar variables clave y entender las relaciones entre ellas.

Visualización:

• Generación de gráficos de barras para ver la distribución de clientes que abandonan por tipo de contrato o servicio de internet.
• Creación de un mapa de calor para visualizar la correlación entre variables.

Balanceo de Clases:

La variable objetivo Churn estaba desbalanceada. Se utilizó la técnica SMOTE para generar registros sintéticos de la clase minoritaria y así obtener un dataset balanceado para el entrenamiento.

Diagrama de puntos mostrando la distribución de Churn.

Se experimentó con varios algoritmos de clasificación para encontrar el de mejor rendimiento.

1. Separación de datos: Se dividió el dataset en conjuntos de entrenamiento (70%) y prueba (30%) usando train_test_split.
2. Entrenamiento: Se entrenaron modelos como Regresión Logística, Árboles de Decisión y Random Forest con los datos de entrenamiento.
3. Predicción: Se usaron los modelos entrenados para hacer predicciones sobre el conjunto de prueba.

Se evaluaron los modelos utilizando métricas clave como Accuracy, Precision, Recall, F1-Score y AUC-ROC.

Se generó un gráfico de barras comparativo para visualizar el rendimiento de cada modelo en todas las métricas. Basado en estos resultados, se seleccionó el modelo con el mejor balance entre precisión y capacidad para detectar el abandono.

# Ejemplo de visualización de resultados results_df = pd.DataFrame(resultados) results_df.set_index('Nombre_Modelo', inplace=True) results_df.T.plot(kind='bar', figsize=(12, 6)) plt.title('Comparación de Métricas por Modelo') plt.ylabel('Puntuación') plt.show()

Conclusión: El modelo Random Forest fue seleccionado por su rendimiento superior, especialmente en métricas como F1-Score y AUC, cruciales para problemas con clases desbalanceadas.