Utente:G273Y/Sandbox: differenze tra le versioni
Contenuto cancellato Contenuto aggiunto
Riga 137:
===Parte 5: Previsione===
Dopo aver ottenuto il modello, è possibile prevedere quali sono i clienti validi calcolando la probabilità di ripetere l'acquisto dell'offerta sia sul training set che sulla validation set
calcolando Accuracy, AUC, Precision, Recall.
I clienti validi sono considerati coloro che hanno ripeteranno l'acquisto con una probabilità
superiori al 65%. Per ottenere una migliore Accuracy, AUC ecc si può migliorare il modello aggiungendo nuovi predictors e/o modificando gli iperparametri nel modello ...
DA FARE ...
'''... nel training set:'''
p1 = predict(gbm_model,newdata = X_train[trainInd,], n.trees =1000)
p <- rep(0,nrow(X_train[trainInd,]))
p[p1>=0.65]=1
p <-as.factor(p)
confusionMatrix(p,as.factor(Y[trainInd]))
## Confusion Matrix and Statistics
Accuracy : 0.8748
##
95% CI : (0.8735, 0.8761)
##
No Information Rate : 0.5836
##
P-Value [Acc > NIR] : < 2.2e-16
Sensitivity : 0.9737
##
Specificity : 0.8042
##
Pos Pred Value : 0.7801
##
Neg Pred Value : 0.9772
##
Prevalence : 0.4164
##
Detection Rate : 0.4054##
auc <-colAUC(p1, Y_train[trainInd])
cat('Boosting AUC in training set: ', auc, '\n', sep='')
## Boosting AUC in training set: 0.9271135
'''... nel validation set :'''
p1 = predict(gbm_model,newdata = X_train[validInd,], n.trees =1000)
p <- rep(0,nrow(X_train[validInd,]))
p[p1>=0.65]=1
mean(p==Y[validInd])
## [1] 0.6371734
p <-as.factor(p)
confusionMatrix(p,as.factor(Y[validInd]))
## Confusion Matrix and Statistics
Accuracy : 0.6372
##
95% CI : (0.6352, 0.6392)
##
No Information Rate : 0.5207
##
P-Value [Acc > NIR] : < 2.2e-16
Sensitivity : 0.4143
##
Specificity : 0.8793
##
Pos Pred Value : 0.7885
##
Neg Pred Value : 0.5802##
##
##
auc<-colAUC(p1, Y_train[validInd])
cat('Boosting AUC in validation set: ', auc, '\n', sep='')
## Boosting AUC in validation set
[[Categoria:Applicazioni pratiche di machine learning|Previsione di vendite future]]
| |||