Ein anspruchsvolleres Modell erstellen

Einer der besten Prädiktoren für zukünftiges Spenden ist eine Historie mit jüngsten, häufigen und hohen Spenden. In Marketingbegriffen ist das als R/F/M bekannt:

Recency
Frequency
Money

Spenderinnen und Spender, die nicht sowohl kürzlich als auch häufig gespendet haben, könnten besonders wahrscheinlich erneut spenden; mit anderen Worten: Die kombinierte Wirkung von Recency und Frequency kann größer sein als die Summe der einzelnen Effekte.

Weil diese Prädiktoren zusammen einen stärkeren Einfluss auf die abhängige Variable haben, muss ihre gemeinsame Wirkung als Interaktion modelliert werden. Der Datensatz donors wurde für dich geladen.

Diese Übung ist Teil des Kurses

Überwachtes Lernen in R: Klassifikation

Kurs anzeigen

Anleitung zur Übung

Erstelle ein logistisches Regressionsmodell von donated als Funktion von money plus der Interaktion von recency und frequency. Verwende *, um den Interaktionsterm hinzuzufügen.
Untersuche das summary() des Modells, um zu bestätigen, dass der Interaktionseffekt hinzugefügt wurde.
Speichere die vorhergesagten Wahrscheinlichkeiten des Modells als rfm_prob. Verwende dafür predict() und denke daran, das Argument type zu setzen.
Zeichne eine ROC-Kurve mit der Funktion roc(). Denk daran: Diese Funktion nimmt die Ergebnisspalte und den Vektor der Vorhersagen.
Berechne die AUC für das neue Modell mit der Funktion auc() und vergleiche die Performance mit dem einfacheren Modell.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# 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(___)

Code bearbeiten und ausführen