Перевірка припущень моделі та створення прогнозів

Machine Learning для маркетингової аналітики в R

Verena Pflieger

Data Scientist at INWT Statistics

Перевірка припущення PH

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

Пропорційні ризики для Partner

plot(testCPH1, var = "Partner")

Пропорційні ризики для MonthlyCharges

plot(testCPH1, var = "MonthlyCharges")

Загальні зауваги щодо тестів

Тест cox.zph() є консервативним
Чутливий до кількості спостережень
Різна вага порушень

Що робити, якщо припущення PH порушене?

Стратифікований аналіз

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

Часозалежні коефіцієнти

Валідація моделі

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
                            ...

Ймовірність не відмовитися у певний момент часу

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

Крива виживання для нового клієнта

plot(survfit(fitCPH1, newdata = oneNewData))

Прогноз очікуваного часу до відтоку

print(survfit(fitCPH1, newdata = oneNewData))

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

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

Висновки

	Що ви засвоїли про аналіз виживання
Ви навчилися...	візуалізувати строки обслуговування клієнтів
	моделювати час до події та виділяти чинники, що на нього впливають
	як валідовувати модель
	як робити прогнози

	Висновки з моделі
Ви дізналися...	що статус senior citizen підвищує ймовірність відтоку на 23%
	що збільшення місячної плати на 1 одиницю знижує ризик відтоку приблизно на 1%

Тепер черга за вами!

Machine Learning для маркетингової аналітики в R