R語言邏輯回歸預(yù)測分析付費(fèi)用戶
原文鏈接：http://tecdat.cn/?p=967
?
對于某企業(yè)新用戶，會利用大數(shù)據(jù)來分析該用戶的信息來確定是否為付費(fèi)用戶，弄清楚用戶屬性，從而針對性的進(jìn)行營銷，提高運(yùn)營人員的辦事效率。
對于付費(fèi)用戶預(yù)測，主要是思考收入由哪些因素推動，再對每個因素做預(yù)測，最后得出付費(fèi)預(yù)測。這其實(shí)不是一個財務(wù)問題，是一個業(yè)務(wù)問題。
流失預(yù)測。這方面會偏向于大額付費(fèi)用戶，提取額特征向量運(yùn)用到應(yīng)用場景的用戶流失和預(yù)測里面去。
方法
回歸是一種極易理解的模型，就相當(dāng)于y=f(x)，表明自變量x與因變量y的關(guān)系。最常見問題有如醫(yī)生治病時的望、聞、問、切，之后判定病人是否生病或生了什么病，其中的望聞問切就是獲取自變量x，即特征數(shù)據(jù)，判斷是否生病就相當(dāng)于獲取因變量y，即預(yù)測分類。
問題描述
我們嘗試并預(yù)測用戶是否可以根據(jù)數(shù)據(jù)中可用的人口信息變量使用邏輯回歸預(yù)測月度付費(fèi)是否超過 50K。
在這個過程中，我們將：
1.導(dǎo)入數(shù)據(jù)2.檢查類別偏差3.創(chuàng)建訓(xùn)練和測試樣本4.建立logit模型并預(yù)測測試數(shù)據(jù)5.模型診斷
檢查類偏差
理想情況下，Y變量中事件和非事件的比例大致相同。所以，我們首先檢查因變量ABOVE 50K中的類的比例。
0 124720 7841
顯然，不同付費(fèi)人群比例 有偏差 。所以我們必須以大致相等的比例對觀測值進(jìn)行抽樣，以獲得更好的模型。
構(gòu)建Logit模型和預(yù)測
確定模型的最優(yōu)預(yù)測概率截止值默認(rèn)的截止預(yù)測概率分?jǐn)?shù)為0.5或訓(xùn)練數(shù)據(jù)中1和0的比值。但有時，調(diào)整概率截止值可以提高開發(fā)和驗(yàn)證樣本的準(zhǔn)確性。InformationValue :: optimalCutoff功能提供了找到最佳截止值，減少錯誤分類錯誤。
optCutOff <-optimalCutoff(testData$ABOVE50K, predicted)[1] => 0.71
模型診斷
錯誤分類錯誤
錯誤分類錯誤是預(yù)測與實(shí)際的不匹配百分比 。錯誤分類錯誤越低，模型越好。
misClassError(testData$ABOVE50K, predicted, threshold = optCutOff)[1] 0.0892
ROC曲線
ROC曲線指受試者工作特征曲線 / 接收器操作特性曲線(receiver operating characteristic curve), 是反映敏感性和特異性連續(xù)變量的綜合指標(biāo),是用構(gòu)圖法揭示敏感性和特異性的相互關(guān)系，它通過將連續(xù)變量設(shè)定出多個不同的臨界值，從而計(jì)算出一系列敏感性和特異性，再以敏感性為縱坐標(biāo)、（1-特異性）為橫坐標(biāo)繪制成曲線，曲線下面積越大，診斷準(zhǔn)確性越高。在ROC曲線上，最靠近坐標(biāo)圖左上方的點(diǎn)為敏感性和特異性均較高的臨界值。
上述型號的ROC曲線面積為89％，相當(dāng)不錯。
一致性
簡單來說，在1-0 的所有組合中，一致性是預(yù)測對的百分比 ，一致性越高，模型的質(zhì)量越好。
$Concordance [1] 0.8915107 $Discordance [1] 0.1084893 $Tied [1] -2.775558e-17 $Pairs [1] 45252896
上述型號的89.2％的一致性確實(shí)是一個很好的模型。
混淆矩陣
在人工智能中，混淆矩陣（confusion matrix）是可視化工具，特別用于監(jiān)督學(xué)習(xí)，在無監(jiān)督學(xué)習(xí)一般叫做匹配矩陣。其每一列代表預(yù)測值，每一行代表的是實(shí)際的類別。這個名字來源于它可以非常容易的表明多個類別是否有混淆（也就是一個class被預(yù)測成另一個class）。
confusionMatrix(testData$ABOVE50K, predicted, threshold = optCutOff)0 1 0 18849 1543 1 383 810
結(jié)論
這里僅僅介紹了模型的建立和評估。通過模型的結(jié)論，我們可以得到一些已經(jīng)為公眾所接受和熟知的現(xiàn)象是：付費(fèi)和受教育程度、智力、年齡以及性別等相關(guān)。 基于此用戶規(guī)模預(yù)測模型，結(jié)合用戶的人口信息，即可粗略預(yù)估產(chǎn)品在一般情況下的收入情況, 從而判斷就得到了付費(fèi)用戶預(yù)測模型，如果把收入分類轉(zhuǎn)換成流失用戶和有效用戶，就得到了流失用戶預(yù)測模型。
