Studiu de caz folosind curba lift
În lecția video ai învățat să implementezi o metodă care calculează profitul unei campanii:
profit = profit(perc_targets, perc_selected, population_size, campaign_cost, campaign_reward)
În această metodă, perc_targets reprezintă procentul de ținte din grupul selectat pentru campanie, perc_selected – procentul de persoane selectate pentru campanie, population_size – dimensiunea totală a populației, campaign_cost – costul adresării unei singure persoane în cadrul campaniei, iar campaign_reward – recompensa obținută pentru adresarea unei ținte.
În acest exercițiu vei determina, pentru un caz specific, dacă este util să folosești un model, comparând profitul obținut când adresezi toți donatorii față de cel obținut când adresezi primii 40% dintre donatori.
Acest exercițiu face parte din cursul
Introducere în analitica predictivă în Python
Instrucțiuni pentru exercițiu
- Trasează curba lift. Predicțiile se află în
predictions_test, iar valorile reale ale țintei întargets_test. - Citește valoarea lift la 40% și introdu-o în cod.
- Informațiile despre campanie sunt deja completate în script. Calculează profitul obținut când adresezi întreaga populație.
- Calculează profitul obținut când adresezi primii 40%.
Exercițiu interactiv practic
Încearcă acest exercițiu completând acest cod de exemplu.
# Plot the lift graph
skplt.metrics.plot_lift_curve(____, ____)
plt.show()
# Read the lift at 40% (round it up to the upper tenth)
perc_selected = 0.4
lift = ____
# Information about the campaign
population_size, target_incidence, campaign_cost, campaign_reward = 100000, 0.01, 1, 100
# Profit if all donors are targeted
profit_all = profit(____, 1, population_size, campaign_cost, campaign_reward)
print(profit_all)
# Profit if top 40% of donors are targeted
profit_40 = profit(____ * ____, 0.4, population_size, campaign_cost, campaign_reward)
print(profit_40)