Budowanie bardziej zaawansowanego modelu

Jednym z najlepszych predyktorów przyszłych darowizn jest historia niedawnych, częstych i wysokich wpłat. W marketingu określa się to skrótem R/F/M:

Recency (aktualność)
Frequency (częstotliwość)
Money (wartość)

Darczyńcy, którzy dawali ostatnio i często, mogą być szczególnie skłonni do kolejnej wpłaty – innymi słowy, łączny wpływ aktualności i częstotliwości może być większy niż suma ich osobnych efektów.

Ponieważ te predyktory razem silniej oddziałują na zmienną zależną, ich wspólny efekt należy uwzględnić w modelu jako interakcję. Zbiór danych donors jest już wczytany.

To ćwiczenie jest częścią kursu

Nadzorowane uczenie maszynowe w R: Klasyfikacja

Zobacz kurs

Instrukcje do ćwiczenia

Zbuduj model regresji logistycznej, w którym donated jest funkcją zmiennej money oraz interakcji między recency a frequency. Użyj operatora *, aby dodać człon interakcji.
Sprawdź summary() modelu i upewnij się, że efekt interakcji został uwzględniony.
Zapisz przewidywane przez model prawdopodobieństwa jako rfm_prob. Użyj funkcji predict() i pamiętaj o ustawieniu argumentu type.
Narysuj krzywą ROC za pomocą funkcji roc(). Pamiętaj, że ta funkcja przyjmuje kolumnę wyników i wektor przewidywań.
Oblicz AUC dla nowego modelu, używając funkcji auc(), i porównaj jego wydajność z prostszym modelem.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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(___)

Edytuj i uruchom kod