Churn for Bank Customers

En este tutorial, te guiaremos a través del proceso de construcción de un poderoso modelo de machine learning usando Catalyst QuickML para predecir si un cliente abandonará o no.

En este tutorial, primero preprocesaremos los conjuntos de datos para asegurarnos de que estén limpios y preparados para el entrenamiento. A continuación se construirá un pipeline de datos para manejar la transformación de datos, y se construirá un pipeline de ML para entrenar y probar el modelo. Finalmente, proporcionaremos un endpoint para el modelo entrenado que permite la interacción con aplicaciones externas y proporciona predicciones de deserción para clientes bancarios.

El modelo de ML churn for bank customers está construido usando el siguiente servicio de Catalyst:

Catalyst QuickML : Usando este servicio, primero preprocesaremos el conjunto de datos de ejemplo implementando operaciones de nodos sobre ellos y construyendo el pipeline de datos. Estos datos preprocesados se usarán para crear un modelo de ML ejecutando algoritmos de ML. Finalmente, este modelo de ML churn for bank customers puede ser accedido por aplicaciones externas usando la URL del endpoint generada en QuickML.

La salida final, después de crear todos los pipelines de datos y ML requeridos en la consola de Catalyst, se verá así: