मॉडल की मान्यताओं की जाँच और प्रेडिक्शन बनाना

R में Marketing Analytics के लिए Machine Learning

Verena Pflieger

Data Scientist at INWT Statistics

PH मान्यता का परीक्षण

testCPH1 <- cox.zph(fitCPH1)
print(testCPH1)

                              rho   chisq        p
gender=Male               0.0317   1.884 1.70e-01
SeniorCitizen=Yes         0.0587   6.507 1.07e-02
Partner=Yes               0.0752  10.116 1.47e-03
Dependents=Yes            0.0131   0.314 5.75e-01
StreamMov=NoIntServ      -0.0448   3.588 5.82e-02
StreamMov=Yes             0.0827  12.174 4.85e-04
PaperlessBilling=Yes      0.0180   0.611 4.34e-01
PayMeth=CreditCard(auto)  0.0253   1.198 2.74e-01
PayMeth=ElektCheck       -0.0427   3.427 6.41e-02
PayMeth=MailedCheck      -0.0851  13.069 3.00e-04
MonthlyCharges            0.1268  25.778 3.83e-07
GLOBAL                        NA 217.172 0.00e+00

Partner के लिए समानुपाती जोखिम

plot(testCPH1, var = "Partner")

MonthlyCharges के लिए समानुपाती जोखिम

plot(testCPH1, var = "MonthlyCharges")

टेस्ट पर सामान्य टिप्पणियाँ

cox.zph()-टेस्ट कंज़र्वेटिव है
ऑब्ज़र्वेशंस की संख्या के प्रति संवेदनशील
उल्लंघनों की गंभीरता अलग-अलग हो सकती है

यदि PH मान्यता टूटे तो?

स्ट्रैटिफ़ाइड विश्लेषण

fitCPH2 <- cph(Surv(tenure, churn) ~ MonthlyCharges +
                 SeniorCitizen + Partner + Dependents + 
                 StreamMov + Contract,
               stratum = "gender = Male",
               data = dataSurv, x = TRUE, y = TRUE, surv = TRUE)

समय-निर्भर कोएफ़िशिएंट्स

मॉडल का वैलिडेशन

validate(fitCPH1, 
         method = "crossvalidation", 
         B = 10, pr = FALSE)

      index.orig training   test optimism index.corrected  n
R2        0.2277   0.2279 0.2277   0.0002          0.2276 10
                            ...

निर्धारित समय पर churn न होने की प्रायिकता

oneNewData <- data.frame(gender = "Female",
                             SeniorCitizen = "Yes",
                             Partner = "No",
                             Dependents = "Yes",
                             StreamMov = "Yes",
                             PaperlessBilling = "Yes",
                             PayMeth = "BankTrans(auto)",
                             MonthlyCharges = 37.12)
str(survest(fitCPH1, newdata = oneNewData, times = 3))

List of 5
 $ time   : num 3
 $ surv   : num 0.905
 $ std.err: num 0.0136
 $ lower  : num 0.881
 $ upper  : num 0.93

नए कस्टमर के लिए सर्वाइवल कर्व

plot(survfit(fitCPH1, newdata = oneNewData))

अनुमानित churn तक का अपेक्षित समय

print(survfit(fitCPH1, newdata = oneNewData))

Call: survfit(formula = fitCPH1, newdata = oneNewData)

      n  events  median 0.95LCL 0.95UCL 
   5311    1869      65      53      72

सीख

	सर्वाइवल एनालिसिस से सीख
आपने सीखा...	कस्टमर्स के tenure समय को विज़ुअलाइज़ करना
	इवेंट तक का समय मॉडल करना और उसे प्रभावित करने वाले फ़ैक्टर्स निकालना
	मॉडल को कैसे वैलिडेट करें
	प्रेडिक्शन कैसे करें

	मॉडल से सीख
आपने सीखा...	कि senior citizen होना churn की संभावना ~23% बढ़ाता है
	कि monthly charges में 1-यूनिट बढ़ोतरी churn के hazard को लगभग 1% घटाती है

अब आपकी बारी!

R में Marketing Analytics के लिए Machine Learning