Xây dựng mô hình tinh vi hơn
Một trong những dấu hiệu dự báo tốt nhất cho việc tặng trong tương lai là lịch sử tặng quà gần đây, thường xuyên và với giá trị lớn. Trong ngôn ngữ marketing, điều này được gọi là R/F/M:
- Recency
- Frequency
- Money
Những nhà tài trợ không tặng cả gần đây lẫn thường xuyên có thể đặc biệt có khả năng tặng lại; nói cách khác, tác động kết hợp của recency và frequency có thể lớn hơn tổng tác động riêng lẻ của từng yếu tố.
Vì các biến dự báo này khi kết hợp lại có ảnh hưởng lớn hơn lên biến phụ thuộc, nên hiệu ứng chung của chúng cần được mô hình hóa như một tương tác. Bộ dữ liệu donors đã được nạp sẵn cho bạn.
Bài tập này là một phần của khóa học
Học có giám sát trong R: Phân loại
Hướng dẫn bài tập
- Tạo một mô hình hồi quy logistic của
donatednhư một hàm củamoneycùng với tương tác giữarecencyvàfrequency. Dùng*để thêm biến tương tác. - Xem
summary()của mô hình để xác nhận hiệu ứng tương tác đã được thêm vào. - Lưu các xác suất dự đoán của mô hình vào
rfm_prob. Dùng hàmpredict(), và nhớ đặt tham sốtype. - Vẽ đường cong ROC bằng cách dùng hàm
roc(). Nhớ rằng hàm này nhận cột kết quả thực tế và vector dự đoán. - Tính AUC cho mô hình mới với hàm
auc()và so sánh hiệu năng với mô hình đơn giản hơn.
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# 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(___)