Comparaison des techniques d'apprentissage automatique traditionnelles et avancées de boosting par gradient dans la prédiction de l'attrition des clients : une étude de cas dans l'industrie des télécommunications

Dans cette étude, un éventail de modèles d'apprentissage automatique, y compris des réseaux neuronaux artificiels, des arbres de décision, des machines à vecteurs de support, des forêts aléatoires, des régressions logistiques et des méthodes avancées de boosting par gradient (XGBoost, LightGBM et CatBoost), ont été examinés pour leur efficacité à prédire l'attrition des clients dans le secteur des télécommunications. La recherche a utilisé un ensemble de données accessible au public à cette fin. L'efficacité de ces modèles a été mesurée à l'aide de métriques d'évaluation établies telles que la précision, le rappel, le score F1, et l'aire sous la courbe de la caractéristique de fonctionnement du récepteur (ROC AUC). Les résultats de recherche soulignent l'efficacité des algorithmes de boosting dans la gestion des aspects complexes de la prédiction de l'attrition des clients. En particulier, LightGBM s'est avéré remarquable, obtenant un score F1 exceptionnel de 92 % et un ROC AUC de 91 %. Ces chiffres dépassent largement la performance des modèles conventionnels tels que les arbres de décision et les régressions logistiques. Cela souligne la supériorité des méthodes d'apprentissage automatique sophistiquées dans la gestion des défis posés par les ensembles de données déséquilibrés et les interrelations complexes entre les caractéristiques.