本项目旨在通过机器学习技术预测网络视频服务的客户流失情况。通过分析客户的各种特征（如订阅信息、使用情况等），构建预测模型来识别可能流失的客户，帮助企业采取相应措施提高客户留存率。

数据集包含以下关键特征：

• id: 客户唯一ID
• is_tv_subscriber: 是否有电视订阅
• is_movie_package_subscriber: 是否有电影套餐订阅
• subscription_age: 服务使用年限
• bill_avg: 过去3个月账单平均值
• remaining_contract: 客户合同剩余年限
• service_failure_count: 过去3个月因服务失败致电客服中心的次数
• download_avg: 过去3个月平均下载量(GB)
• upload_avg: 过去3个月平均上传量(GB)
• download_over_limit: 是否超过下载限制
• churn: 客户是否流失（目标变量）

customer-churn/
│
├── data/                          # 数据文件夹
│   └── customer_churn.csv         # 客户流失数据集
│
├── src/                           # 源代码
│   ├── main.py                    # 主程序入口
│   ├── churn_prediction.py        # 流失预测模型实现
│   ├── churn_visualization.py     # 数据可视化模块
│   └── ensemble_model.py          # 集成模型实现
│
├── results/                       # 分析结果与可视化
│   ├── churn_distribution.png     # 流失分布图
│   ├── correlation_heatmap.png    # 特征相关性热图
│   ├── feature_importance.png     # 特征重要性分析
│   ├── model_performance_comparison.png  # 模型性能比较
│   └── roc_curve_comparison.png   # ROC曲线比较
│
├── .venv/                         # 虚拟环境
├── 客户流失预测分析.md              # 项目详细分析报告
└── README.md                      # 项目说明文档

• Python 3.8+
• pip 包管理器

1. 克隆项目仓库

git clone https://github.com/luka7620/customer-churn.git
cd customer-churn

2. 创建并激活虚拟环境

python -m venv .venv
# Windows
.venv\Scripts\activate
# Linux/Mac
source .venv/bin/activate

3. 安装依赖包

pip install -r requirements.txt

运行主程序进行数据预处理和探索性分析：

python src/main.py

训练并评估不同的预测模型：

python src/churn_prediction.py

构建和评估集成模型：

python src/ensemble_model.py

生成数据可视化图表：

python src/churn_visualization.py

随机森林和堆叠集成模型表现最佳，准确率约为94%，ROC AUC达到0.98。

分析表明以下特征对预测客户流失最为重要：

1. 合同剩余时间
2. 平均下载量
3. 平均上传量
4. 服务使用年限
5. 服务失败次数

1. 合同管理策略：对接近合同到期的客户提前采取挽留措施
2. 服务质量改进：提升下载和上传服务质量，减少服务失败
3. 产品组合优化：鼓励单一服务用户购买套餐组合
4. 使用行为激励：鼓励客户更多地使用服务

1. Fork 本仓库
2. 创建您的特性分支 (git checkout -b feature/amazing-feature)
3. 提交您的更改 (git commit -m '添加一些特性')
4. 推送到分支 (git push origin feature/amazing-feature)
5. 打开一个 Pull Request

本项目采用 MIT 许可证 - 查看 LICENSE 文件了解更多详情