UCI 机器学习库里的 Iranian Churn 数据集，2020 年 4 月 8 日捐入，3,150 行、14 列，全部为整数，没有缺失值。来源是伊朗一家电信公司 12 个月的数据库随机抽样，许可为 CC BY 4.0。

它的价值不在"又一个流失数据集"，而在一份写得清楚的窗口设计：13 个特征是前 9 个月的聚合，流失标签是第 12 个月末的状态，中间 3 个月被明确称为规划间隔（planning gap）。这句话决定了它能不能用来做"提前预警"——特征与标签之间天然隔了三个月，模型学的是"前九个月的行为预测三个月后是否流失"。

Age Group 与 Age 是一一对应的：1 对应 15 岁、2 对应 25、3 对应 30、4 对应 45、5 对应 55。所以 14 列里有一列是冗余的，建模时删掉 Age 或 Age Group 任意一列即可。

标签整体流失率 15.7%（495 对 2,655）。这个比例意味着用准确率评估会失真：全部预测"不流失"就有 84.3% 的准确率，但一个流失客户都抓不到。

更细的分组不平衡也值得注意：投诉的只有 241 人（7.7%），合约套餐（Tariff Plan=
2）只有 245 人（7.8%），非活跃状态（Status=2）782 人（24.8%），Age Group=5 只有 170 人。

我把每个类别算了一遍流失率（该组流失人数 ÷ 该组人数）：

这张表能直接看出三件事。投诉是最强的单变量信号——投诉过的客户流失率是没投诉的八倍；"非活跃"本身就是流失的前兆，接近一半；合约套餐的流失率只有 2.4%，说明长期绑定确实留人。

资费档位呈单调关系：档位越低流失率越高（0 档 23.8%、1 档 7.0%、2 档 5.8%），到 5 档以上几乎没有流失（样本也极少）。

还有两个反直觉的细节：最年轻组（Age=15，123 人）流失率为 0，最年长组（Age=55，170 人）只有 1.2%，中间三组才是 16%—20%；而 Charge Amount 出现了页面没写的 10 档（7 人），说明页面字段说明与数据文件存在一处小出入。

第一，类别不平衡。要么用类权重，要么看 PR 曲线与 F1，不要报准确率。

第二，不要把 Status 当普通特征。它与流失高度重合（非活跃 47.3% 流失），很可能包含"第 12 个月状态"的信息，直接用会让模型在时间上作弊。要确认它的统计窗口与标签是否重叠。

第三，Customer Value 是"计算出来的值"，数据集没给公式。它可能由其他列派生，直接喂进模型会引入共线性，建议先做相关性检查。

第四，样本来自单一运营商与单一市场（伊朗），不能外推到其他地区；也不能当成 2026 年的市场现状——它捐入于 2020 年。

教学演示最合适：14 列、3,150 行、无缺失值，跑逻辑回归、随机森林、XGBoost 都够快，还能顺带讲不平衡、讲特征泄漏。

业务侧可以拿它练"投诉工单 → 挽留动作"的因果问题：投诉组流失率 83%，但投诉是原因还是结果？这份数据回答不了，只能提出假设，需要另做实验。

做回归任务也可以：Customer Value 是连续目标，页面把 Classification 与 Regression 都列为可用任务。

数据集页面、CSV 直链、引用格式与许可原文都在下面，回复一下就能看到。