サンプル外検証とクロスバリデーション

Rで学ぶマーケティングアナリティクスのための機械学習

Verena Pflieger

Data Scientist at INWT Statistics

サンプル外適合：訓練データとテストデータ

1) データセットを訓練データとテストデータに分割する

# Generating random index for training and test set
# set.seed ensures reproducibility of random components
set.seed(534381)

churnData$isTrain <- rbinom(nrow(churnData), 1, 0.66)
train <- subset(churnData, churnData$isTrain == 1)
test <- subset(churnData, churnData$isTrain == 0)

サンプル外適合：モデルの構築

2) 訓練データに基づいてモデルを構築する

# Modeling logitTrainNew
logitTrainNew <- glm( returnCustomer ~ title + newsletter + 
                     websiteDesign + paymentMethod + couponDiscount +
                     purchaseValue + throughAffiliate + 
                     shippingFees + dvd + blueray + vinyl + 
                     videogameDownload + prodOthers + prodRemitted,
                     family = binomial, data = train)

# Out-of-sample prediction for logitTrainNew
test$predNew <- predict(logitTrainNew, type = "response",
                        newdata = test)

サンプル外精度

# Calculating the confusion matrix
confMatrixNew <- confusion.matrix(test$returnCustomer, test$predNew, 
                 threshold = 0.3)
confMatrixNew

# Calculating the accuracy 
accuracyNew <- sum(diag(confMatrixNew)) / sum(confMatrixNew)
accuracyNew

    obs
pred     0    1
   0 11939 2449
   1   716  350

0.7951987

クロスバリデーション：設定

クロスバリデーション

クロスバリデーション：精度

クロスバリデーション精度の計算

library(boot)
# Accuracy function with threshold = 0.3
Acc03 <- function(r, pi = 0) {
  cm <- confusion.matrix(r, pi, threshold = 0.3)
  acc <- sum(diag(cm)) / sum(cm)
  return(acc)}
# Accuracy
set.seed(534381)
cv.glm(churnData, logitModelNew, cost = Acc03, K = 6)$delta

0.7943894

	ロジスティック回帰の学習内容
学習した内容...	解約しやすいオンラインショップ顧客の予測方法
	二項ロジスティック回帰を使った確率計算
	閾値の選択が重要であること

	モデルからの学習内容
学習した内容...	ニュースレター登録者はリピートしやすい
	クーポン利用者はリピートしにくい
	送料無料の顧客はリピートしやすい
	など...

最後の演習！

Rで学ぶマーケティングアナリティクスのための機械学習