📊 Predicción de Cancelación de Clientes

📌 Descripción

Este proyecto tiene como objetivo predecir la cancelación de clientes utilizando diferentes algoritmos de Machine Learning.
Se realizó un análisis comparativo de modelos, evaluación de métricas y análisis de importancia de variables para identificar los factores más influyentes en la decisión de cancelar.

---

⚙️ Modelos utilizados

• Regresión Logística
• Random Forest
• XGBoost

---

📈 Métricas de evaluación

Se evaluaron los modelos utilizando las siguientes métricas:

• Accuracy (Exactitud)
• Precision
• Recall
• F1-Score
• ROC-AUC
• Matriz de confusión
• Curvas ROC

---

📊 Resultados comparativos de desempeño

Modelo	Accuracy	Precision	Recall	F1-score	ROC-AUC
LogReg	0.8015	0.6345	0.5383	0.5824	0.8434
XGBoost	0.8033	0.6454	0.5223	0.5773	0.8388
Random Forest	0.7854	0.6022	0.4884	0.5394	0.8176

🔎 Conclusión:

• El mejor modelo según ROC-AUC fue Regresión Logística (0.8434).
• XGBoost ofrece un balance competitivo con buena precisión y recall.
• Random Forest tuvo menor desempeño relativo.

---

🔎 Importancia de variables

Factores más influyentes (coincidentes en varios modelos):

• Servicio de Internet (Fiber Optic / DSL / No)
• Tipo de contrato (Month-to-month, Two year)
• Gastos mensuales
• Gastos totales

Interpretación:

• Los clientes con contrato mensual y Fibra Óptica tienen mayor probabilidad de cancelar.
• Los altos gastos mensuales son un predictor fuerte de cancelación.
• Métodos de pago y servicios adicionales influyen, pero con menor peso.

---

🚨 Riesgos detectados

• Overfitting: Modelos como Random Forest y XGBoost pueden sobreajustar si no se regulan los hiperparámetros.
• Underfitting: Modelos demasiado simples no capturan las relaciones entre gasto y cancelación.

---

📌 Conclusiones finales

1. El modelo más adecuado es la Regresión Logística, por su interpretabilidad y alto ROC-AUC.
2. Los factores clave para cancelar son: contrato mensual, fibra óptica y gastos mensuales elevados.
3. Para reducir cancelaciones se recomienda:
   • Incentivar contratos de largo plazo.
   • Ofrecer planes más accesibles para usuarios con gastos altos.
   • Mejorar la experiencia de clientes con Fibra Óptica, que muestran mayor tendencia a cancelar.

---

🛠️ Tecnologías utilizadas

• Python
• Scikit-learn
• XGBoost
• Pandas, Numpy
• Matplotlib, Seaborn