रिग्रेशन विश्लेषण में प्रिंसिपल कंपोनेंट्स

R में Marketing Analytics के लिए Machine Learning

Verena Pflieger

Data Scientist at INWT Statistics

रिग्रेशन विश्लेषण में PC I

mod1 <- lm(customerSatis ~ ., dataCustomers)

library(car)
vif(mod1)

      nOrders       nItemsOrdered          nItemsSold        salesOrdered 
    29.482287           24.437448           10.390998            5.134720 
    salesSold         returnRatio       shareOwnBrand           shareSale 
     9.685617           23.778800            1.571607            1.178773 
 shareVoucher          crDuration monetaryReturnRatio  meanDaysBetwOrders 
     1.213011            1.757509           10.632243            1.698369 
salesPerOrder        salesPerItem       itemsPerOrder   itemsSoldPerOrder 
     6.563474            4.557981            4.821610           15.949072

# Create dataframe with customer satisfaction and first 6 components
dataCustComponents <- cbind(dataCustomers[, "customerSatis"], 
                            pcaCust$x[,1:6]) %>%
  as.data.frame
mod2 <- lm(customerSatis ~ ., dataCustComponents)
vif(mod2)

PC1 PC2 PC3 PC4 PC5 PC6 
  1   1   1   1   1   1

summary(mod1)$adj.r.squared

0.8678583

summary(mod2)$adj.r.squared

0.7123822

summary(mod2)

Call:
lm(formula = customerSatis ~ ., data = dataCustComponents)
Residuals:
    Min      1Q  Median      3Q     Max 
-3.9279 -0.2411  0.0179  0.2865  1.4972 
Coefficients:
             Estimate Std. Error t value Pr(>|t|)    
(Intercept)  2.985945   0.014039 212.682  < 2e-16 ***
PC1         -0.175434   0.006704 -26.167  < 2e-16 ***
PC2          0.296659   0.007643  38.815  < 2e-16 ***
PC3         -0.012816   0.010838  -1.182    0.237    
PC4         -0.116651   0.011665 -10.000  < 2e-16 ***
PC5          0.101963   0.012508   8.152 1.09e-15 ***
PC6          0.126677   0.013072   9.691  < 2e-16 ***
- - -
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 0.4415 on 982 degrees of freedom
Multiple R-squared:  0.7141,    Adjusted R-squared:  0.7124 
F-statistic: 408.9 on 6 and 982 DF,  p-value: < 2.2e-16

	PCA से सीखी बातें
You have learned...	वैरिएबल्स की संख्या कम करना, बिना ज़्यादा जानकारी खोए
	PCA से पहले वैरिएबल्स को स्टैंडर्डाइज़ करना
	प्रासंगिक कंपोनेंट्स की संख्या चुनना
	चुने गए कंपोनेंट्स की व्याख्या करना

	मॉडल से सीख
You have learned...	मूल वैरिएबल्स को 6 कंपोनेंट्स में घटाया जा सकता है, जैसे कस्टमर एक्टिविटी, रिटर्न व्यवहार और ब्रांड अवेयरनेस
	कस्टमर सैटिस्फैक्शन समझाने के लिए पहले छह कंपोनेंट्स लेने से explained variance घटती है, पर multicollinearity की समस्या हल हो जाती है

अभ्यास करते हैं!

R में Marketing Analytics के लिए Machine Learning