O Impacto do SMOTE e ADASYN nas Técnicas de Random Forest e Gradiente Aumentado Avançado na Previsão de Churn de Clientes de Telecomunicações

Este artigo explora a capacidade de vários algoritmos de aprendizado de máquina, incluindo Random Forests e técnicas avançadas de gradiente aumentado como XGBoost, LightGBM e CatBoost, para prever o churn de clientes no setor de telecomunicações. Para esta análise, foi empregado um conjunto de dados disponível ao público. O desempenho desses algoritmos foi avaliado usando métricas reconhecidas, incluindo Precisão, Precisão, Revocação, F1-score e a Área Sob a Curva da Característica Operacional do Receptor (ROC AUC). Essas métricas foram avaliadas em diferentes fases: após a pré-processamento de dados e seleção de características; após a aplicação dos métodos de amostragem SMOTE e ADASYN; e após a realização de ajuste de hiperparâmetros nos dados que haviam sido ajustados pelo SMOTE e ADASYN. Os resultados destacam a notável eficiência de técnicas de upsampling como SMOTE e ADASYN em abordar o desequilíbrio inerente à previsão de churn de clientes. Notavelmente, a aplicação de busca de grade aleatória para otimização de hiperparâmetros não alterou significativamente os resultados, que permaneceram comparativamente inalterados. O desempenho dos algoritmos após a aplicação do ADASYN superou marginalmente o observado após a aplicação do SMOTE. Notavelmente, o LightGBM alcançou um excepcional F1-score de 89% e um ROC AUC de 95% após a técnica de amostragem ADASYN. Isso sublinha a eficácia de algoritmos avançados de boosting e métodos de upsampling como SMOTE e ADASYN na navegação pelas complexidades de conjuntos de dados desequilibrados e intrincadas interdependências de características.