Daha gelişmiş bir model kurma

Gelecekte bağış yapmanın en iyi göstergelerinden biri, yakın zamanda, sık ve büyük bağışlar yapma geçmişidir. Pazarlama dilinde buna R/F/M denir:

Recency
Frequency
Money

Hem yakın zamanda hem de sık bağış yapmamış bağışçılar yeniden bağış yapmaya özellikle yatkın olabilir; yani, yenilik (recency) ve sıklığın (frequency) birleşik etkisi, ayrı ayrı etkilerinin toplamından daha büyük olabilir.

Bu yordayıcılar birlikte bağımlı değişken üzerinde daha büyük bir etki yarattığı için, ortak etkileri bir etkileşim olarak modellenmelidir. donors veri kümesi senin için yüklendi.

Bu egzersiz, kursun bir parçasıdır

R'de Supervised Learning: Sınıflandırma

Kursa Göz Atın

Egzersiz talimatları

donated değişkenini, money ile recency ve frequency etkileşiminin bir fonksiyonu olarak lojistik regresyonla modelle. Etkileşim terimini eklemek için * kullan.
Etkileşim etkisinin eklendiğini doğrulamak için modelin summary() çıktısını incele.
Modelin tahmin ettiği olasılıkları rfm_prob olarak kaydet. predict() fonksiyonunu kullan ve type argümanını ayarlamayı unutma.
roc() fonksiyonunu kullanarak bir ROC eğrisi çiz. Bu fonksiyonun, sonuç sütununu ve tahmin vektörünü aldığına dikkat et.
Yeni model için AUC’yi auc() fonksiyonuyla hesapla ve performansı daha basit modelle karşılaştır.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# 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(___)

Kodu Düzenle ve Çalıştır