ANÁLISE DO DESEMPENHO DE HIPERPARÂMETROS DE APRENDIZAGEM DE MÁQUINA APLICADOS NA PREVISÃO DA TAXA DE ROTATIVIDADE DE CLIENTES

Resumo

O presente artigo apresenta uma análise da performance de diferentes hiperparâmetros de aprendizagem de máquina, aplicados a métodos de aprendizado de máquina, na predição da taxa de rotatividade de clientes de três conjuntos de dados de organizações prestadoras de serviços. Cada um destes conjuntos de dados passou por um processo que consistiu na coleta dos mesmos, no pré-processamento dos dados, na execução dos testes e na avaliação dos resultados. Após a coleta e transformação, foram aplicados os métodos de Floresta Aleatória, Árvore de Decisão e recursos para AutoML (Auto Machine Learning). Em cada método foram feitas duas aplicações, uma utilizando os hiperparâmetros padrões e outra com os valores destes parâmetros sendo customizados. Com base nos resultados obtidos, foi possível concluir que o método Floresta Aleatória se mostrou mais eficaz na predição da taxa da rotatividade de clientes, independente do conjunto de dados ou forma de utilização dos hiperparâmetros. Ainda assim, em algumas poucas métricas o melhor resultado foi atingido pelos outros métodos, como para a métrica Recall, classe 0, onde o método MLP atingiu um resultado de 0,96 no primeiro conjunto, utilizando hiperparâmetros padrões. Da mesma forma, para o terceiro conjunto, o método Árvore de Decisão atingiu o valor de 0,85 na métrica Recall, classe 0, utilizando hiperparâmetros personalizados.