Churn Prediction - Recall & Threshold Optimization

Optymalizacja threshold klasyfikacji dla maksymalizacji recall

📋 Opis Projektu

Trzeci krok serii Churn Prediction. Koncentruje się na optymalizacji decision threshold dla biznesowego celu: catch all churners.

🎯 Cel

• Maksymalizacja recall (catch więcej churnerów)
• Analiza trade-off precision vs recall
• Business-oriented threshold selection
• ROC curve i precision-recall curve analysis

� Jupyter Notebook

• Zobacz Notebook

  Optymalizacja threshold: ROC curves, precision-recall analysis i business-driven decisions.

• GitHub Repository

�📊 Business Context

Cost of False Negatives > False Positives - Utrata klienta = $1000+ lifetime value - Niepotrzebna retention campaign = $50 - Priorytet: złapać wszystkich potencjalnych churnerów

🛠️ Techniki

1. ROC Curve - analiza różnych thresholds
2. Precision-Recall Curve - dla imbalanced data
3. Business Cost Function - custom optimization
4. Threshold Moving - od default 0.5 do optimal

📈 Wyniki

• Recall zwiększony z 65% do 85%
• Precision spadł z 70% do 60% (akceptowalne)
• Znacząco mniej missed churners

---

Status: ✅ Ukończony
Część serii: 3/5 Churn Prediction