🔥 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. راه ارتباطی https://eitaa.com/joinchat/956171922Cb501d5a32f @learnpythonicy