关注一下~，更多商业数据分析案例等你来撩

前言

利用逻辑回归进行客户流失预警建模中涵盖了许多比较细的知识点，思维导图只展示了极小的一部分，相关知识点链接将穿插在文中。(源数据源代码空降文末获取)

数据读入

数据属性说明

数据探索

简洁版本，只是为了一元逻辑回归做的探索，毕竟实际情况中数据分析师们80%的时间可能都是用来清洗数据和结合具体业务来探索数据，所以探索数据方面并不是我们的侧重点。

churn 流失与否 是否与 posTrend 流量使用上升趋势有关 猜想：posTrend 为 1，即流量使用有上升趋势时，更不容易流失(用得越多越不容易流失)

交叉表分析

卡方检验

建模流程

一元逻辑回归

拆分测试集与训练集

statsmodels 库进行逻辑回归

使用建模结果进行预测

检验预测结果

建模结果越靠近左上角越好，模型精度比较高。

多元逻辑回归

逐步向前法筛选变量

当然，这里的变量还不算特别特别多，还可以使用分层抽样，假设检验，方差分析等方法筛选，这里不用多解释了。逻辑回归的逐步向前法已有优秀前人的轮子，直接拿来用即可。篇幅原因就不完全展示了。文末获取源数据与含有详细注释的源代码

方差膨胀因子检测

多元逻辑回归中也会存在多元共线性的干扰，其具体含义可查看如下文章：

再次进行建模与模型精度的检验

重复一元逻辑回归的步骤即可。

本公众号后续将继续更新数据科学与商业实践中常见的案例

注：相关数据源和超详细的代码(python，Jupyter Notebook 版本 + 详细注释)已经整理好，在 “ 数据分析与商业实践 ” 公众号后台回复 “ 逻辑流失 ” 即可获取。