Sestavení sofistikovanějšího modelu

Jedním z nejlepších prediktorů budoucích darů je historie nedávných, častých a velkých příspěvků. V marketingu se tento přístup označuje jako R/F/M:

Recency (nedávnost)
Frequency (frekvence)
Money (výše daru)

Dárci, kteří nepřispívali ani nedávno, ani často, mohou mít obzvlášť velkou tendenci darovat znovu – jinými slovy, kombinovaný vliv nedávnosti a frekvence může být větší než součet jejich jednotlivých efektů.

Protože tyto prediktory mají dohromady větší vliv na závislou proměnnou, je nutné jejich společný efekt modelovat jako interakci. Dataset donors je již načtený.

Toto cvičení je součástí kurzu

Supervised Learning v R: Klasifikace

Zobrazit kurz

Pokyny k cvičení

Vytvoř logistický regresní model proměnné donated jako funkce proměnné money plus interakce recency a frequency. Interakční člen přidej pomocí operátoru *.
Prohlédni si summary() modelu a ověř, že byl interakční člen přidán.
Ulož predikované pravděpodobnosti modelu jako rfm_prob. Použij funkci predict() a nezapomeň nastavit argument type.
Vykresli ROC křivku pomocí funkce roc(). Tato funkce přijímá sloupec výsledků a vektor predikcí.
Vypočítej AUC pro nový model pomocí funkce auc() a porovnej jeho výkon s jednodušším modelem.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Build a recency, frequency, and money (RFM) model
rfm_model <- ___

# Summarize the RFM model to see how the parameters were coded


# Compute predicted probabilities for the RFM model
rfm_prob <- ___

# Plot the ROC curve and find AUC for the new model
library(pROC)
ROC <- ___
plot(___, col = "red")
auc(___)

Upravit a spustit kód