🔥 چالش ۳۰ روزه Python for AI
#Day24

🎯 موضوع: مقایسه و بهبود مدل‌ها
در روز قبل با Logistic Regression مدل پیش‌بینی ریزش مشتری را ساختیم؛ اما Accuracy به‌تنهایی کافی نبود.
امروز باید مدل قبلی را با یک مدل قوی‌تر مقایسه کنیم:
🤖 Logistic Regression
🌳 Random Forest

📌 کارهای امروز:
✅ آماده‌سازی داده‌ها
✅ آموزش هر دو مدل
✅ محاسبه معیارهای زیر:
Accuracy
Precision
Recall
F1 Score
ROC-AUC
✅ مقایسه Confusion Matrix دو مدل
✅ انتخاب بهترین مدل برای شناسایی مشتریان در معرض ریزش
📋 خروجی پیشنهادی:

Logistic Regression:
Accuracy: 79.9%
Recall: 15.4%

Random Forest:
Accuracy: 82.3%
Recall: 38.6%

Best Model: Random Forest

🔥 Bonus Challenge
با استفاده از class_weight="balanced" یا تغییر آستانه پیش‌بینی، تلاش کنید Recall مدل را افزایش دهید.

📁 نام پیشنهادی فایل:
Day24_Model_Comparison.py

📋 هدف امروز:
یادگیری اینکه بهترین مدل همیشه مدلی نیست که فقط Accuracy بیشتری دارد؛ در مسئله ریزش مشتری، شناسایی مشتریان پرریسک اهمیت بیشتری دارد.
دیتاست

راه ارتباطی:
@learnpythonicychat
@learnpythonicyBot

https://t.me/learnpythonicy