เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

สร้างโมเดลที่ซับซ้อนยิ่งขึ้น

หนึ่งในตัวทำนายที่ดีที่สุดสำหรับการบริจาคในอนาคต คือประวัติการบริจาคที่เกิดขึ้นบ่อย ล่าสุด และมีมูลค่าสูง ในแง่การตลาด แนวคิดนี้เรียกว่า R/F/M:

  • Recency (ความใหม่ล่าสุด)
  • Frequency (ความถี่)
  • Money (มูลค่า)

ผู้บริจาคที่ไม่ได้บริจาคมาสักระยะและมีความถี่ต่ำ อาจมีแนวโน้มที่จะบริจาคอีกครั้งเป็นพิเศษ กล่าวคือ ผลรวมเชิงปฏิสัมพันธ์ของ recency และ frequency อาจมากกว่าผลรวมของแต่ละตัวแยกกัน

เนื่องจากตัวทำนายเหล่านี้ส่งผลต่อตัวแปรตามมากขึ้นเมื่อรวมกัน จึงต้องสร้างโมเดลเอฟเฟกต์ร่วมของทั้งสองในรูปแบบ interaction ชุดข้อมูล donors ถูกโหลดไว้ให้แล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Supervised Learning in R: Classification

ดูคอร์ส

คำแนะนำการฝึกหัด

  • สร้างโมเดล logistic regression ของ donated โดยใช้ money บวกกับ interaction ของ recency และ frequency ใช้ * เพื่อเพิ่ม interaction term
  • ตรวจสอบ summary() ของโมเดลเพื่อยืนยันว่า interaction effect ถูกเพิ่มเข้าไปแล้ว
  • บันทึกความน่าจะเป็นที่พยากรณ์ได้ของโมเดลไว้ในตัวแปร rfm_prob โดยใช้ฟังก์ชัน predict() และอย่าลืมตั้งค่าอาร์กิวเมนต์ type
  • พล็อต ROC curve โดยใช้ฟังก์ชัน roc() โดยฟังก์ชันนี้รับคอลัมน์ผลลัพธ์จริงและเวกเตอร์ของค่าพยากรณ์
  • คำนวณ AUC สำหรับโมเดลใหม่ด้วยฟังก์ชัน auc() แล้วเปรียบเทียบประสิทธิภาพกับโมเดลที่เรียบง่ายกว่า

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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(___)
แก้ไขและรันโค้ด