800 синтетических клиентов, стратифицированный сплит 80/20, random_state=42. Признаки: Age, TenureMonths, MonthlyCharges и три категориальных; TotalCharges исключён — в EDA он оказался точной производной MonthlyCharges × (TenureMonths+1) по всем 800 строкам. Выберите модель: матрица ошибок и метрики ниже пересчитаются.
| Модель | Acc | Prec | Rec | F1 | AUC |
|---|
Победитель помечен по ROC-AUC: на 5-фолдовом CV логистическая регрессия тоже первая — 0,862 ± 0,039. Метрики проекта не были закоммичены, поэтому пересчитаны здесь scikit-learn на фиксированном сиде; это не опубликованные числа.
| Кластер | n | Доход, k$ | Spending |
|---|
k-means с k = 5 по паре «годовой доход / spending score»: силуэт 0,555 против 0,494 при k = 4 и 0,540 при k = 6. Ось дохода делит клиентов на низкий, средний и высокий сегмент.
Столбцы — прогноз, строки — факт. В ячейке — число тестовых наблюдений.