Praktický případ s využitím lift křivky
Ve videu ses naučil/a implementovat metodu, která vypočítá zisk kampaně:
profit = profit(perc_targets, perc_selected, population_size, campaign_cost, campaign_reward)
V této metodě je perc_targets procento cílů ve skupině, kterou vybíráš pro kampaň, perc_selected procento lidí vybraných do kampaně, population_size celková velikost populace, campaign_cost náklady na oslovení jedné osoby a campaign_reward odměna za oslovení cílového zákazníka.
V tomto cvičení zjistíš, zda má pro konkrétní případ smysl model používat – porovnáš zisk při oslovení všech dárců se ziskem při oslovení top 40 % dárců.
Toto cvičení je součástí kurzu
Introduction to Predictive Analytics in Python
Pokyny k cvičení
- Vykresli lift křivku. Predikce jsou uloženy v
predictions_testa skutečné cílové hodnoty vtargets_test. - Odečti hodnotu liftu při 40 % a zadej ji do skriptu.
- Informace o kampani jsou ve skriptu již vyplněny. Vypočítej zisk při oslovení celé populace.
- Vypočítej zisk při oslovení top 40 %.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Plot the lift graph
skplt.metrics.plot_lift_curve(____, ____)
plt.show()
# Read the lift at 40% (round it up to the upper tenth)
perc_selected = 0.4
lift = ____
# Information about the campaign
population_size, target_incidence, campaign_cost, campaign_reward = 100000, 0.01, 1, 100
# Profit if all donors are targeted
profit_all = profit(____, 1, population_size, campaign_cost, campaign_reward)
print(profit_all)
# Profit if top 40% of donors are targeted
profit_40 = profit(____ * ____, 0.4, population_size, campaign_cost, campaign_reward)
print(profit_40)