Aufbau eines anspruchsvolleren Modells

Einer der besten Prädiktoren für künftige Spenden ist die Tatsache, dass du in letzter Zeit häufig und viel gespendet hast. In der Marketingsprache wird dies als R/F/M bezeichnet:

Aktualität
Frequenz
Geld

Spenderinnen und Spender, die weder in letzter Zeit noch häufig gespendet haben, werden möglicherweise besonders häufig wieder spenden; mit anderen Worten: Die kombinierte Wirkung von Häufigkeit und Häufigkeit kann größer sein als die Summe der einzelnen Effekte.

Da diese Prädiktoren zusammen einen größeren 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 für donated in Abhängigkeit von money und der Interaktion von recency und frequency. Verwende *, um den Interaktionsterm hinzuzufügen.
Überprüfe die summary() des Modells, um zu bestätigen, dass der Interaktionseffekt hinzugefügt wurde.
Speichere die vorhergesagten Wahrscheinlichkeiten des Modells als rfm_prob. Verwende die Funktion predict() und denke daran, das Argument type zu setzen.
Zeichne eine ROC Kurve mit der Funktion roc(). Denke daran, dass diese Funktion die Spalte mit den Ergebnissen und den Vektor mit den Vorhersagen benötigt.
Berechne die AUC für das neue Modell mit der Funktion auc() und vergleiche die Leistung mit der des einfacheren Modells.

Interaktive Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# 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