<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Suat Amet on Medium]]></title>
        <description><![CDATA[Stories by Suat Amet on Medium]]></description>
        <link>https://medium.com/@souataxmet?source=rss-e56f507e956------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/proxy/1*TGH72Nnw24QL3iV9IOm4VA.png</url>
            <title>Stories by Suat Amet on Medium</title>
            <link>https://medium.com/@souataxmet?source=rss-e56f507e956------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Wed, 18 Nov 2026 20:40:58 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@souataxmet/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Makine Öğrenmesi ile Müşteri Kayıp (Churn) Tahmini ve Model Karşılaştırması]]></title>
            <link>https://medium.com/@souataxmet/makine-%C3%B6%C4%9Frenmesi-ile-m%C3%BC%C5%9Fteri-kay%C4%B1p-churn-tahmini-ve-model-kar%C5%9F%C4%B1la%C5%9Ft%C4%B1rmas%C4%B1-88abdc3b4fa8?source=rss-e56f507e956------2</link>
            <guid isPermaLink="false">https://medium.com/p/88abdc3b4fa8</guid>
            <category><![CDATA[python]]></category>
            <category><![CDATA[customer-churn-analysis]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[data-analysis]]></category>
            <dc:creator><![CDATA[Suat Amet]]></dc:creator>
            <pubDate>Thu, 13 Aug 2026 14:35:40 GMT</pubDate>
            <atom:updated>2026-08-13T14:35:40.446Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*0EZ-hZNmhBL2zKWqd5t0CQ.png" /></figure><p>Müşteri kazanımı, günümüz rekabetçi iş dünyasında oldukça maliyetli bir süreçtir. Mevcut bir müşteriyi elde tutmak, yeni bir müşteri kazanmaktan çok daha avantajlı ve düşük maliyetlidir. Bu nedenle şirketler için en kritik konulardan biri, hizmeti terk etme riski olan müşterileri (Churn) önceden tespit etmek ve doğru zamanda doğru aksiyonları almaktır.</p><p>Bu yazıda, bir abonelik şirketinin müşteri verilerini kullanarak geliştirdiğim <strong>Müşteri Kayıp (Churn) Tahmini</strong> projesini ve sonuçlarını adım adım paylaşacağım.</p><h3>1. Projenin Amacı ve Problem Tanımı</h3><p>Bu projedeki temel amacımız:</p><ul><li>Müşterilerin demografik ve abonelik özelliklerini analiz etmek,</li><li>Hangi faktörlerin müşteri kaybını en çok etkilediğini belirlemek,</li><li><strong>Lojistik Regresyon</strong> ve <strong>Random Forest (Rastgele Orman)</strong> algoritmalarını eğiterek hangisinin müşteri kaybını daha doğru tahmin ettiğini karşılaştırmak.</li></ul><h3>2. Veri Seti ve Ön İşleme</h3><p>Çalışmada kullanılan veri setimiz aşağıdaki temel öznitelikleri içermektedir:</p><ul><li>Tenure: Müşterinin sistemde kaldığı toplam ay sayısı.</li><li>MonthlyCharges: Müşterinin ödediği aylık ücret.</li><li>TotalCharges: Müşterinin sistemde kaldığı sürece ödediği toplam ücret.</li><li>Contract: Sözleşme türü (Aylık, 1 Yıllık, 2 Yıllık).</li><li>TechSupport: Müşterinin teknik destek hizmeti alıp almadığı.</li><li>PaymentMethod: Ödeme yöntemi.</li><li>Churn: Müşterinin ayrılıp ayrılmadığını belirten hedef değişken (<em>Yes/No</em>).</li></ul><h3>Veri Temizleme Adımları</h3><ol><li><strong>Eksik Değerler:</strong> TotalCharges sütununda yer alan eksik/boş değerler sayısal formata dönüştürülüp medyan değeri ile doldurulmuştur.</li><li><strong>Kategorik Değişkenler:</strong> Metinsel veriler modellerin işleyebileceği formata getirilmek üzere <strong>One-Hot Encoding</strong> (pd.get_dummies) işleminden geçirilmiştir.</li></ol><h3>3. Uçtan Uca Python Kod Yapısı</h3><p>Tüm analiz ve modelleme sürecini gerçekleştiren Python kodumuz 9 adımda yapılandırılmıştır:</p><pre>import pandas as pd<br>import matplotlib.pyplot as plt<br>import seaborn as sns<br>from sklearn.model_selection import train_test_split<br>from sklearn.linear_model import LogisticRegression<br>from sklearn.ensemble import RandomForestClassifier<br>from sklearn.metrics import accuracy_score, confusion_matrix<br><br># 1. Veri setinin yüklenmesi ve incelenmesi<br>df = pd.read_csv(&quot;customer_churn.csv&quot;)<br>print(&quot;--- Veri Seti İlk 10 Satır ---&quot;)<br>print(df.head(10))<br><br># Veri temizleme: Eksik verileri medyan ile doldurma<br>df[&quot;TotalCharges&quot;] = pd.to_numeric(df[&quot;TotalCharges&quot;], errors=&quot;coerce&quot;)<br>df[&quot;TotalCharges&quot;].fillna(df[&quot;TotalCharges&quot;].median(), inplace=True)<br><br># Kategorik değişkenleri sayısal verilere dönüştürme (One-Hot Encoding)<br>df_encoded = pd.get_dummies(df.drop(columns=[&quot;CustomerID&quot;]), drop_first=True)<br><br># 2. Feature ve target değişkenlerin tanımlanması<br>X = df_encoded.drop(columns=[&quot;Churn_Yes&quot;])<br>y = df_encoded[&quot;Churn_Yes&quot;]<br><br># 3. Eğitim ve test veri setlerinin oluşturulması (%80 Eğitim, %20 Test)<br>X_train, X_test, y_train, y_test = train_test_split(<br>    X, y, test_size=0.2, random_state=42, stratify=y<br>)<br># 4. Lojistik regresyon ve random forest modellerinin oluşturulması<br>log_clf = LogisticRegression(max_iter=1000, random_state=42)<br>random_forest_clf = RandomForestClassifier(n_estimators=100, max_depth=5, random_state=42)<br><br># Modellerin eğitilmesi<br>log_clf.fit(X_train, y_train)<br>random_forest_clf.fit(X_train, y_train)<br><br># 5. Test verisi ile tahmin yapılması<br>log_y_pred = log_clf.predict(X_test)<br>random_forest_y_pred = random_forest_clf.predict(X_test)<br><br># 6. Model başarımının accuracy ile ölçülmesi<br>log_accuracy = accuracy_score(y_test, log_y_pred)<br>random_forest_accuracy = accuracy_score(y_test, random_forest_y_pred)<br>print(f&quot;\nLojistik Regresyon Accuracy Skoru : {log_accuracy:.4f}&quot;)<br>print(f&quot;Random Forest Accuracy Skoru      : {random_forest_accuracy:.4f}\n&quot;)<br><br># 7. Random Forest sonuçlarının Confusion Matrix ile görselleştirilmesi<br>conf_matrix = confusion_matrix(y_test, random_forest_y_pred)<br>plt.figure(figsize=(6, 4))<br>sns.heatmap(<br>    conf_matrix, <br>    annot=True, <br>    fmt=&quot;d&quot;, <br>    cmap=&quot;Blues&quot;, <br>    xticklabels=[&quot;Kaldı&quot;, &quot;Ayrıldı&quot;], <br>    yticklabels=[&quot;Kaldı&quot;, &quot;Ayrıldı&quot;]<br>)<br>plt.xlabel(&quot;Tahmin Edilen Sınıf&quot;)<br>plt.ylabel(&quot;Gerçek Sınıf&quot;)<br>plt.title(&quot;Random Forest Confusion Matrix&quot;)<br>plt.show()<br># 8. Modellerin accuracy değerlerinin karşılaştırmalı görselleştirilmesi<br>plt.figure(figsize=(6, 4))<br>models = [&quot;Lojistik Regresyon&quot;, &quot;Random Forest&quot;]<br>accuracies = [log_accuracy, random_forest_accuracy]<br>sns.barplot(x=models, y=accuracies, palette=&quot;viridis&quot;)<br>plt.ylim(0, 1)<br>plt.ylabel(&quot;Accuracy Skoru&quot;)<br>plt.title(&quot;Model Başarı Karşılaştırması&quot;)<br><br>for i, acc in enumerate(accuracies):<br>    plt.text(i, acc + 0.02, f&quot;%{acc*100:.1f}&quot;, ha=&quot;center&quot;, fontweight=&quot;bold&quot;)<br>plt.show()<br><br># 9. Random Forest Feature Importance (Öznitelik Önem Düzeyi) incelenmesi<br>feature_importances = random_forest_clf.feature_importances_<br>feature_names = X.columns<br>feature_importances_sorted = sorted(zip(feature_importances, feature_names), reverse=True)<br>print(&quot;\n--- Öznitelik Önem Düzeyleri (Feature Importances) ---&quot;)<br>for importance, feature_name in feature_importances_sorted:<br>    print(f&quot;{feature_name}: {importance:.4f}&quot;)<br></pre><h3>4. Model Sonuçları ve Değerlendirme</h3><p>Test verileri üzerinde yapılan değerlendirmeler sonucunda modellerimizin elde ettiği doğruluk (Accuracy) metrikleri aşağıdadır:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*3_RwY3H_XbCHH3l46T9_-g.png" /></figure><p><strong>Random Forest</strong>, verideki karmaşık ve doğrusal olmayan ilişkileri daha iyi yakalayarak <strong>%65.0</strong> doğruluk oranı ile Lojistik Regresyon’un (%63.0) önüne geçmiştir.</p><h3>5. Öznitelik Önem Düzeyleri (Feature Importance)</h3><p>Random Forest modelimizin kararlarında en etkili olan faktörler sırasıyla şunlardır:</p><ol><li><strong>Süre (</strong><strong>Tenure - %29.1):</strong> Müşterinin sistemde kaldığı toplam ay sayısı, ayrılma kararı üzerindeki en baskın değişkendir.</li><li><strong>Toplam Ücret (</strong><strong>TotalCharges - %24.7):</strong> Müşterinin sistemde kaldığı sürece ödediği toplam harcama miktarı ikinci en önemli etkendir.</li><li><strong>Aylık Ücret (</strong><strong>MonthlyCharges - %19.8):</strong> Müşterinin ödediği aylık fatura tutarı Churn kararı üzerinde yüksek ağırlığa sahiptir.</li><li><strong>Sözleşme Türü (</strong><strong>Contract):</strong> Uzun süreli (1 yıllık ve 2 yıllık) sözleşmeler, müşterinin sistemde kalma olasılığını artıran faktörlerdir.</li></ol><h3>6. İş Çıkarımları ve Aksiyon Önerileri (Business Insights)</h3><p>Elde edilen model sonuçları ve öznitelik önem düzeyleri ışığında işletmeler için şu pratik adımlar atılabilir:</p><ul><li>📌 <strong>Sözleşme Yenileme Teşvikleri:</strong> Müşterileri uzun süreli sözleşmelere geçirmek Churn riskini doğrudan düşürdüğü için özel indirim ve promosyonlar sunulmalıdır.</li><li>📌 <strong>İlk Aylarda Müşteri Elde Tutma:</strong> Tenure (kullanım süresi) en kritik değişken olduğundan, sisteme yeni giren müşterilere ilk 6 ay boyunca özel hoş geldin kampanyaları yapılmalıdır.</li><li>📌 <strong>Yüksek Aylık Fatura Takibi:</strong> MonthlyCharges tutarı yüksek olan ve Churn riski taşıyan müşterilere özel sadakat avantajları tanımlanmalıdır.</li></ul><h3>Sonuç</h3><p>Bu projede, müşteri kayıp riskini tahmin etmek amacıyla yalın ve uçtan uca bir makine öğrenmesi akışı oluşturulmuştur. Çalıştırılan kodlar sonucunda <strong>Random Forest</strong> algoritmasının %65.0 başarım oranı ile müşteri kayıplarını tahmin etmede Lojistik Regresyon modeline kıyasla daha başarılı olduğu görülmüştür.</p><p><a href="https://colab.research.google.com/drive/1CXLiOw4rv1y5LNAkjM4gYnKSIDw88wfr?usp=sharing">Kodun Colab linki</a></p><p><a href="https://gist.github.com/Cpeloo/fb9d1f0e57114f6dd270d2b6fdac2fe0">Kodun Github linki</a></p><p><em>Hazırlayan: Suat Amet</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=88abdc3b4fa8" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>