PAI のビジュアルモデリングを使用して、ユーザーが離反する可能性を予測するバイナリ分類モデルを構築します。コードは不要です。
前提条件
開始する前に、以下を確認してください。
機械学習の概念 (分類モデル、特徴量エンジニアリング、モデル評価) に関する基本的な知識
ユーザー離反の動作を捉えた 1,000 件を超えるラベル付きデータレコード
開発に 1 ～ 2 日利用できること
仕組み
PAI Designer の Churn User Monitoring パイプラインは、4 つのステージを自動的に実行します。
| ステージ | コンポーネント | 機能 |
|---|---|---|
| ① データインポート | — | データセットをパイプラインにロードします |
| ② 特徴量エンジニアリング | One Hot Encoding-1, SQL Script-1 | 文字列フィールドを数値に変換します。SQL Script-1 は churn フィールドを変換します: Yes → 1、No → 0 |
| ③ モデルトレーニング | — | データセットをトレーニングセットと予測セットに分割し、バイナリ分類を行います |
| ④ モデル評価 | Binary Classification Evaluation-1 | AUC、Kolmogorov-Smirnov (KS) 値、および F1 スコアを使用してモデルをスコアリングします |
データセット
このパイプラインは、電気通信プラットフォームからのマスクされた実データを使用します。合計 7,043 件のレコードがあり、それぞれにユーザープロファイル情報と churn ラベルが含まれています。
ユーザープロファイルフィールド:
| フィールド | 説明 |
|---|---|
customerid | ユーザー ID |
gender | ユーザーの性別 |
SeniorCitizen | ユーザーが市民であるかどうか。有効な値：1 (市民)、0 (非市民) |
Partner | ユーザーにパートナーがいるかどうか |
Dependents | ユーザーの所属有無 |
tenure | プロバイダーとのサービス期間 |
PhoneService | ユーザーが携帯電話サービスをサブスクライブしているかどうか |
MultipleLine | ユーザーが複数の回線サービスを使用しているかどうか |
InternetService | インターネットサービスタイプ (例: DSL または光ファイバー) |
OnlineSecurity | ユーザーがインターネットセキュリティの問題に直面しているかどうか |
OnlineBackup | ユーザーがオンラインサポートにアクセスできるかどうか |
DeviceProtection | ユーザーがサービス保護にアクセスできるかどうか |
TechSupport | ユーザーがテクニカルサポートを申請したかどうか |
StreamingTV | ユーザーがストリーミング TV プログラムにアクセスできるかどうか |
StreamingMovies | ユーザーがストリーミング映画にアクセスできるかどうか |
Contract | 契約期間 (例: 月単位または 2 年) |
PaperlessBilling | ユーザーが電子請求書を受け取っているかどうか |
PaymentMethod | 支払い方法 |
MonthlyCharges | 月額費用 |
TotalCharges | 現在までの合計費用 |
Churn ラベル:
| フィールド | 説明 |
|---|---|
churn | ユーザーが離反したかどうか |
パイプラインの構築と実行
ステップ 1: ビジュアルモデリングを開く
PAI コンソールにログインします。
左側のナビゲーションウィンドウで、[ワークスペース] をクリックし、使用するワークスペースの名前をクリックします。
左側のナビゲーションウィンドウで、[モデルトレーニング] > [ビジュアル化モデリング (Designer)] を選択します。
ステップ 2: テンプレートからパイプラインを作成する
[ビジュアルモデリング (デザイナー)] ページで、[プリセットテンプレート] タブを クリックします。
Churn User Monitoring テンプレートを見つけ、[作成] をクリックします。
[パイプラインの作成] ダイアログボックスで、パラメーターを確認します。[データストレージ] パラメーターは、パイプラインがランタイム中に一時データとモデルを格納する Object Storage Service (OSS) バケットパスを設定します。デフォルト値はほとんどのケースで機能します。
[OK] をクリックします。パイプラインの作成には約 10 秒かかります。
「パイプライン」タブで、[Churn User Monitoring] パイプラインをダブルクリックして開きます。キャンバスには、事前に設定済みで実行可能なすべての 4 つのパイプライン ステージが表示されます。
ステップ 3: パイプラインを実行し、結果を確認する
キャンバスの左上隅にある[実行] アイコンをクリックします。
パイプラインの実行が完了したら、[バイナリ分類評価-1] コンポーネントを右クリックし、[ビジュアル分析] を選択します。
[評価] セクションで、[インデックスデータ] タブをクリックして評価メトリックを表示します。
メトリック 測定内容 確認事項 曲線下面積 (AUC) 全体的な予測精度 0.8 を超える値は、適切に機能するモデルを示します。1 に近いほど優れています。 KS 値 離反予測と非離反予測の分離 値が高いほど、モデルの識別力が強いことを示します。 F1 スコア 精度と再現率のバランス 値が高いほど、誤検知と偽陰性が少ないことを示します。 
サンプルデータ
次の図はデータセットの様子を示しています。
SQL Script-1 コンポーネントは、churn ラベルをエンコードするために次のステートメントを実行します。
select (case churn when 'Yes' then 1 else 0 end) as churn from ${t1};