churn-prediction 开源项目推荐（2,999 个）

ragulpr /wtte-rnn

WTTE-RNN：用于流失与事件时间预测的框架

flo7up /relataly-public-python-tutorials

广受欢迎的实用 Python Notebook 合集，涵盖机器学习、深度学习、时间序列、生成式 AI 和分析。

DataVisualizationExpert /Customer-Churn-Analysis-using-Power-BI

借助此 Power BI 项目获取可执行洞察并提升客户留存率。分析并可视化风险因素，主动预防流失。

DataFabric-Academy /ms-fabric-data-science

动手实践 Microsoft Fabric 数据科学实验（FreshMart 流失），包含泰语学习笔记、PySpark/MLflow 以及与 DP-604 对齐的学习路径。

xiaogp /customer_churn_prediction

零售电商客户流失模型：基于 TensorFlow、xgboost4j-spark、spark-ml 实现 LR、FM、GBDT、RF，对比模型效果，并总结离线/在线部署方式。

dynamiq-ai /pragmatiq

该项目在 GitHub 上没有填写描述

WLOGSolutions /telco-customer-churn-in-r-and-h2o

使用 H2O 和 R 进行流失预测的展示（受 ZhouFang928 示例启发）

derrynknife /SurPyval

用于生存分析的 Python 包。现有最灵活的生存分析包。SurPyval 可处理观测数据、删失数据和截断数据的任意组合。SurPyval 还能轻松拟合带有“偏移量”的分布，例如三参数 Weibull 分布。

awslabs /aws-customer-churn-pipeline

使用 AWS 服务的端到端客户流失预测解决方案。

ReverendBayes /AI-Powered-Call-Center-Intelligence

面向呼叫中心的实时行为智能。转录支持通话、脱敏 PII、提取情绪语气、分类问题，并提供洞察丰富的仪表板——由 GPT-3.5（低成本 token）、Whisper、DuckDB 和精致的 React+TypeScript 前端驱动。无需 Azure。无需 Power BI。无供应商锁定。只是可在本地运行的全栈 AI。

Hazrat-Ali9 /Customer-Churn-Prediction-with-Machine-Learning

客户流失预测机器学习是一门数据科学，专注于预测客户是否可能离开某项服务；算法分析历史客户数据，系统识别可表明潜在流失的模式和行为。

neemiasbsilva /case-study-data-science

欢迎查看一些数据科学项目案例研究——（个人项目）。

AliAmini93 /Telecom-Churn-Analysis

使用 XGBoost 开发了流失预测模型，包含全面的数据预处理和超参数调优。应用 SHAP 进行特征重要性分析，得出可用于针对性客户留存的可执行业务洞察。

faradayio /faraday-js

用于访问 Faraday API 基础设施以进行 B2C 预测的 TypeScript 库 https://www.npmjs.com/package/@fdy/faraday-js

virajbhutada /Telecom-Churn-Analytics

借助我们的高级分析和机器学习项目，预测并预防电信行业的客户流失。通过交互式 Power BI 可视化，揭示驱动流失的关键因素，深入洞察客户行为。用数据驱动策略赋能决策流程，提升客户留存率。

navdeep-G /churnlib

流失分析库

abhiverse01 /Codsoft-Intern

本仓库包含我在 Codsoft 实习期间参与的项目。每个项目聚焦不同的机器学习问题，包括信用卡欺诈检测、客户流失预测、电影类型分类和短信垃圾信息检测。

joshuatochinwachi /Solana-Game-Signals-and-Predictive-Modelling

面向 Solana 游戏的新一代分析与机器学习驱动的流失预测。自训练模型可提前 14 天预测玩家流失。实时仪表板 + REST API 分析 12 款游戏中的 6000 万+ 链上交易。

blurred-machine /ANN-based-Banking-Churn-Prediction

本仓库将包含基于机器学习和深度学习的银行流失预测 ANN 模型所需的全部文件，该模型将分析客户在近期离开银行服务的概率。已部署到 Heroku。

deaneeth /telco-churn-mlops-pipeline

用于预测电信客户流失的端到端 MLOps 流水线，具备自动化数据预处理、机器学习模型训练、使用 MLflow 进行实验跟踪、使用 PySpark 进行分布式训练、通过 Kafka 流进行实时推理、Airflow DAG 编排以及 Docker 化 REST API 部署。