Разработал собственную модель логистической регрессии для прогнозирования оттока клиентов телекоммуникационной компании на датасете Telco Customer Churn.

Repo: https://github.com/Kirill-LN/prediction_churn-

В рамках проекта:

- Провёл предобработку данных и анализ признаков. - Реализовал логистическую регрессию с нуля на NumPy. - Использовал StandardScaler и One-Hot Encoding. - Обучил модель и оценил её качество. - Исследовал влияние порога классификации на Precision и Recall.

Результаты модели: Accuracy — 80% Precision — 60% Recall — 67% F1-score — 0.63

Отдельно реализовал прогнозирование вероятности ухода клиента, что позволяет не просто классифицировать клиентов, но и оценивать индивидуальный риск оттока. Проект помог лучше разобраться в принципах логистической регрессии, градиентного спуска, функции потерь Binary Cross-Entropy и метриках бинарной классификации. #Python #MachineLearning #DataScience #LogisticRegression #NumPy #Pandas