create README

capstone/README.md

@@ -0,0 +1,136 @@
+Churn Tahminleme Projesi
+
+Bu proje, müşteri kaybını (churn) tahmin etmek için makine öğrenmesi modellerini kullanarak geliştirildi. Müşterilerin geçmiş verileri analiz edilerek, belirli özelliklere sahip müşterilerin ayrılma olasılıkları hesaplandı ve pazarlama ekibinin ilgisini çekebilecek görselleştirmeler oluşturuldu.
+
+🚀 Proje İçeriği
+
+Veri Ön İşleme: Eksik verilerin doldurulması, aykırı değerlerin tespiti ve düzenlenmesi.
+
+Özellik Mühendisliği: Kullanışlı değişkenler üretildi ve mevcut değişkenler dönüştürüldü.
+
+Dengeleme (SMOTE): Dengesiz veri setinde azınlık sınıfı artırılarak daha dengeli bir model eğitimi sağlandı.
+
+Model Eğitimi: LightGBM ve XGBoost algoritmaları kullanılarak churn tahminleme modeli eğitildi.
+
+Performans Değerlendirmesi: ROC-AUC eğrisi, confusion matrix, accuracy, precision, recall gibi metrikler kullanılarak modelin başarısı ölçüldü.
+
+Veri Görselleştirme: Pazarlama ekibine yönelik çeşitli analizler ve grafikler oluşturuldu.
+
+📂 Kullanılan Kütüphaneler
+
+Bu projede aşağıdaki Python kütüphaneleri kullanılmıştır:
+
+import pandas as pd
+import numpy as np
+import seaborn as sns
+import matplotlib.pyplot as plt
+from sklearn.model_selection import train_test_split
+from sklearn.preprocessing import StandardScaler
+from sklearn.ensemble import RandomForestClassifier
+from xgboost import XGBClassifier
+from lightgbm import LGBMClassifier
+from sklearn.metrics import accuracy_score, classification_report, confusion_matrix, roc_curve, auc
+from imblearn.over_sampling import SMOTE
+
+📊 Veri Seti ve Değişkenler
+
+Bu proje için kullanılan veri seti aşağıdaki değişkenleri içermektedir:
+
+age: Müşteri yaşı
+
+app_count: Kullanılan uygulama sayısı
+
+auto_payment: Otomatik ödeme durumu
+
+avg_call_duration: Ortalama çağrı süresi
+
+avg_top_up_count: Ortalama bakiye yükleme sayısı
+
+call_drops: Çağrı düşme oranı
+
+customer_support_calls: Müşteri hizmetleri çağrı sayısı
+
+data_usage: Veri kullanımı (MB)
+
+monthly_charge: Aylık ücret
+
+overdue_payments: Gecikmiş ödeme sayısı
+
+roaming_usage: Dolaşım kullanımı
+
+satisfaction_level: Müşteri memnuniyeti düzeyi
+
+satisfaction_score: Memnuniyet skoru
+
+service_type_Broadband: Genişbant hizmeti kullanımı (0 veya 1)
+
+service_type_Postpaid: Faturalı hat kullanımı (0 veya 1)
+
+service_type_Prepaid: Ön ödemeli hat kullanımı (0 veya 1)
+
+start_age: Hizmeti kullanmaya başlama yaşı
+
+tenure: Abonelik süresi (ay)
+
+total_usage: Toplam kullanım
+
+usage_intensity: Kullanım yoğunluğu
+
+churn_probability: Churn olasılığı
+
+churn: Müşteri kaybı durumu (0: Kalmış, 1: Ayrılmış)
+
+🏆 Model Eğitimi
+
+Veri seti eğitim ve test olarak ikiye ayrıldı ve farklı algoritmalar ile eğitildi:
+
+X = df.drop(columns=['churn'])
+y = df['churn']
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
+
+# SMOTE Uygulaması
+smote = SMOTE(sampling_strategy=0.5, random_state=42)
+X_train_resampled, y_train_resampled = smote.fit_resample(X_train, y_train)
+
+# LightGBM Modeli
+lgbm = LGBMClassifier()
+lgbm.fit(X_train_resampled, y_train_resampled)
+y_pred = lgbm.predict(X_test)
+
+# Model Performansı
+print(classification_report(y_test, y_pred))
+
+# ROC-AUC Eğrisi
+
+fpr, tpr, _ = roc_curve(y_test, lgbm.predict_proba(X_test)[:,1])
+roc_auc = auc(fpr, tpr)
+
+plt.figure(figsize=(8,6))
+plt.plot(fpr, tpr, color='darkorange', lw=2, label=f'ROC curve (AUC = {roc_auc:.2f})')
+plt.plot([0, 1], [0, 1], color='navy', linestyle='--')
+plt.xlabel('False Positive Rate')
+plt.ylabel('True Positive Rate')
+plt.title('ROC - AUC Curve')
+plt.legend(loc="lower right")
+plt.show()
+
+# Kullandığım Kütüphaneler
+
+- pandas
+- numpy
+- seaborn
+- matplotlib
+- sklearn
+- xgboost
+- lightgbm
+- imblearn.over_sampling
+
+# My Scores
+
+AUC: 0.7306
+Precision: 0.0270
+Recall: 0.5932
+F1-score: 0.0516
+Confussion Matrix:
+array([[622088, 236009],
+       [  4491,   6548]])