Churn Prediction

## 📌 عنوان المشروع نموذج التنبؤ بمغادرة العملاء (Customer Churn Prediction) باستخدام تعلم الآلة --- ## 📖 وصف المشروع يهدف هذا المشروع إلى بناء نموذج باستخدام تقنيات تعلم الآلة للتنبؤ بالعملاء المحتمل مغادرتهم لشركة اتصالات. يساعد هذا النموذج الشركات على اتخاذ قرارات استباقية للحفاظ على العملاء وتحسين نسبة الاحتفاظ بهم. يشمل المشروع جميع المراحل بداية من تحليل البيانات، المعالجة المسبقة، هندسة الخصائص، تدريب النماذج، وحتى تقييم الأداء. --- ## ⚙️ تفاصيل العمل ### 1. معالجة البيانات (Data Preprocessing) * تنظيف البيانات والتعامل مع القيم المفقودة * حذف الأعمدة غير المهمة مثل (Customer ID) * تحويل البيانات النصية إلى رقمية باستخدام One-Hot Encoding * عمل Scaling للبيانات العددية باستخدام StandardScaler --- ### 2. تحليل البيانات (EDA) * تحليل سلوك العملاء وفهم توزيع المغادرين * استخدام الرسوم البيانية لاكتشاف العلاقات بين المتغيرات * تحديد أهم العوامل المؤثرة في مغادرة العملاء --- ### 3. هندسة الخصائص (Feature Engineering) * إنشاء خصائص جديدة لتحسين أداء النموذج * تحسين تمثيل البيانات لزيادة دقة التنبؤ --- ### 4. بناء النماذج (Model Building) تم استخدام أكثر من نموذج للمقارنة: * الانحدار اللوجستي (Logistic Regression) * شجرة القرار (Decision Tree) * الغابة العشوائية (Random Forest) --- ### 5. تقييم النماذج (Model Evaluation) تم تقييم الأداء باستخدام: * الدقة (Accuracy) * مصفوفة الالتباس (Confusion Matrix) * Precision و Recall و F1-score * ROC-AUC Score --- ### 6. النتائج (Results) * تحقيق أداء جيد في التنبؤ بمغادرة العملاء * تحديد العوامل الأكثر تأثيرًا على قرار العميل * اختيار أفضل نموذج بناءً على نتائج التقييم --- ## 🧠 الأدوات والتقنيات المستخدمة * Python * Pandas و NumPy * Matplotlib و Seaborn * Scikit-learn --- ## 🎯 مخرجات المشروع * بناء نموذج متكامل للتنبؤ * فهم أعمق لسلوك العملاء * تقديم Insights تساعد في اتخاذ قرارات تجارية --- ## 🚀 تحسينات مستقبلية * تحسين الأداء باستخدام GridSearchCV * نشر النموذج باستخدام Flask أو FastAPI * ربط النموذج بأنظمة حقيقية للتنبؤ الفوري ---