Bruk av metoder innen forklarbar maskinlæring for kundefrafallsprediksjon

Abstract

Kunstig intelligens baserte systemer blir stadig anvendt i beslutningstakingsprosesser. Det er ikke lett for mennesker å forstå de grunnleggende prinsippene bak hvordan disse systemene fungerer. Ved å anvende ulike metoder innen forklarbar maskinlæring er det mulig å få en bedre av forståelse av disse modellene.

I denne oppgaven undersøkes det hvorvidt metoder innen forklarbar maskinlæring som SHAP, kan anvendes for å forstå hvilke faktorer som påvirker maskinlæringsmodeller for kundefrafallsprediksjon i telekommunikasjonsbransjen. Det blir undersøkt hvilke variabler som påvirker modellene på både lokalt og globalt nivå. Analysen viser at variablene som påvirker selve modellen, nødvendigvis ikke har like stor påvirkning på de individuelleprediksjonene.

Artificial intelligence-based systems are constantly being used in decision-making processes.The concepts behind the systems are not always interpretable for humans. By using methods within explainable machine learning, it is possible to get a better understanding of these models.

This thesis tries to explore whether methods within explainable machine learning such as SHAP can be used to understand which factors that influence machine learning models within customer churn prediction. The focus is to understand the feature importance on these models at both local and global level. The results shows that the features which influence the model, do not necessarily have the same impact on the individual predictions.