Een geavanceerder model bouwen

Een van de beste voorspellers van toekomstige donaties is een geschiedenis met recente, frequente en grote giften. In marketingtermen heet dit R/F/M:

Recency
Frequency
Money

Donateurs die niet zowel recent als vaak hebben gegeven, zijn mogelijk juist extra geneigd om opnieuw te geven; met andere woorden, de gecombineerde impact van recency en frequency kan groter zijn dan de som van de afzonderlijke effecten.

Omdat deze voorspellers samen een grotere invloed hebben op de afhankelijke variabele, moet hun gezamenlijke effect worden gemodelleerd als een interactie. De gegevensset donors is al voor je geladen.

Deze oefening maakt deel uit van de cursus

Supervised Learning in R: Classificatie

Cursus bekijken

Oefeninstructies

Maak een logistisch regressiemodel van donated als functie van money plus de interactie van recency en frequency. Gebruik * om de interactieterm toe te voegen.
Bekijk de summary() van het model om te bevestigen dat het interactie-effect is toegevoegd.
Sla de voorspelde waarschijnlijkheden van het model op als rfm_prob. Gebruik de functie predict() en vergeet niet het argument type te zetten.
Plot een ROC-curve met de functie roc(). Denk eraan: deze functie neemt de kolom met uitkomsten en de vector met voorspellingen.
Bereken de AUC voor het nieuwe model met de functie auc() en vergelijk de prestaties met het eenvoudigere model.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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 bewerken en uitvoeren