Mashinani o'rganishdan foydalangan holda Mijozning xulq-atvori va demografik ma'lumotlari asosida kompaniyani tark etishi (ketishi) ehtimolini bashorat qilish

Tasodifiy o'rmon - bu yuqori bashorat aniqligi va model barqarorligiga erishish uchun ko'plab qaror daraxtlaridan foydalanadigan ansamblni o'rganish usulining bir turi. Bu usul ham regressiya, ham
tasniflash vazifalari bilan shug'ullanadi. Har bir daraxt atributlar asosida ma'lumotlar namunasini
tasniflaydi (yoki uning sinfiga ovoz beradi) va o'rmon eng ko'p ovoz olgan tasnifni tanlaydi. Regressiya vazifalari bo'lsa, har xil daraxtlarning o'rtacha qarorlari olinadi.



Random Forest shunday bashorat qiladi. Manba: ResearchGate
XGBoost - bu tasniflash va regressiya muammolari uchun keng qo'llaniladigan gradient kuchaytirilgan daraxt algoritmlarini amalga oshirish. Gradientni kuchaytirish - kuchsizroq modellar (daraxtlar)
guruhidan tashkil topgan algoritm bo'lib, ular maqsadli o'zgaruvchini aniqroq bashorat qilish uchun ularning taxminlarini jamlaydi.

Virjiniya universitetidan bir guruh tadqiqotchilar uch oylik vaqt oralig'ida SaaS mijozlarining ishdan chiqishini bashorat qilish uchun kirish raqamlari va sharhlar raqamlari kabi vaqtga bog'liq dasturiy ta'minot funksiyasidan foydalanish ma'lumotlarini o'rgandilar. Mualliflar model ish faoliyatini to‘rtta tasniflash algoritmlari bo‘yicha solishtirishdi va “XGBoost modeli dasturiy ta’minotdan foydalanishning eng muhim xususiyatlarini aniqlash va iste’molchilarni uzilish turi yoki xavfli bo‘lmagan tur sifatida tasniflash uchun eng yaxshi natijalarga erishdi”. Tadqiqotchilarning fikriga ko'ra, XGBoost modelining mijozlar SaaS dasturiy ta'minotidan qanday foydalanishini aks ettiruvchi eng muhim xususiyatlarni aniqlash qobiliyati xizmat ko'rsatuvchi provayderlarga potentsial mijozlarga yo'naltirilganda yanada samarali marketing kampaniyalarini boshlashga yordam beradi.

LightGBM - bu daraxtga asoslangan o'rganish algoritmlaridan foydalanadigan gradientni kuchaytiruvchi ramka. U ko'plab ML vazifalari uchun ishlatilishi mumkin, masalan, tasniflash va tartiblash. Hujjatlarga ko'ra, LightGBM ning ba'zi afzalliklari tezroq o'qitish tezligi va yuqori samaradorlik, shuningdek, yuqori aniqlikdir. Ushbu algoritmlar kamroq xotiradan foydalanadi va katta hajmdagi ma'lumotlarni qayta ishlaydi -ularni 10 000 qatordan kam bo'lgan ma'lumotlar to'plamla_rida ishlatish tavsiya etilmaydi . LightGBM, shuningdek, parallel va GPU o'rganishni qo'llab-quvvatlaydi (katta ma'lumotlar to'plamini o'qitish uchun grafik ishlov berish bloklaridan foydalanish).
CatBoost - qarorlar daraxtlari kutubxonasini kuchaytiruvchi yana bir gradient. U raqamli va toifali xususiyatlarni boshqaradi, shuning uchun tasniflash, regressiya, tartiblash va boshqa mashinani o'rganish vazifalari uchun ishlatilishi mumkin. CatBoost-ning afzalliklaridan biri shundaki, u protsessor va ikki yoki undan ortiq GPU bilan o'qitish modellariga ruxsat beradi.