Побудова більш складної моделі

Одним із найкращих предикторів майбутніх пожертв є історія нещодавніх, частих і великих внесків. У маркетингу це відоме як R/F/M:

Recency
Frequency
Money

Донори, які не робили внески і нещодавно, і часто, можуть бути особливо схильні дати знову; тобто спільний вплив недавності та частоти може бути більшим за суму окремих ефектів.

Оскільки ці предиктори разом сильніше впливають на залежну змінну, їхній спільний ефект слід моделювати як взаємодію. Набір даних donors уже завантажено для вас.

Ця вправа є частиною курсу

Наглядове навчання в R: Класифікація

Переглянути курс

Інструкції до вправи

Створіть логістичну регресійну модель donated як функції money плюс взаємодії recency та frequency. Використайте *, щоб додати термін взаємодії.
Перегляньте summary() моделі, щоб підтвердити, що ефект взаємодії додано.
Збережіть передбачені ймовірності моделі як rfm_prob. Використайте функцію predict(), не забудьте встановити аргумент type.
Побудуйте криву ROC за допомогою функції roc(). Пам'ятайте, ця функція приймає стовпець із результатами та вектор прогнозів.
Обчисліть AUC для нової моделі за допомогою функції auc() і порівняйте продуктивність із простішою моделлю.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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(___)

Редагувати та запускати код