ИИиМО_ЛР4

Рассмотрим столбец переменной "Округ". Значимость данного столбца по отношению к выходному отсутствует. Поэтому его можно исключить из построения модели прогнозирования вероятности отклика (рис.61).

Рисунок 61 – Настройка узла Конечные классы: Округ (шаг 13)

На этом формирование конечных классов окончено. Однако у нас осталось тестовое множество. Оно не принимало участие в формировании конечных классов, но данные записи требуется преобразовать к такому же виду, как и обучающее множество. Для этого воспользуемся узлом Скрипт. После чего слиянием добавим эти записи к обучающему множеству.

Для начала добавим узел Фильтрация к узлу Разбиение на множества

(рис. 62,63). Перед добавление узла Фильтрация добавим узел Настройка набора данных к Конечные классы. Установим следующие параметры набора данных (табл. 2). К узлу Фильтрация добавим узел Скрипт (рис. 64-69).

Таблица 2 – Параметры данных

Рисунок 64 – Настройка узла Скрипт (шаг 1)

Рисунок 65 – Настройка узла Скрипт (шаг 2)

Рисунок 66 – Настройка узла Скрипт (шаг 3)

Рисунок 67 – Настройка узла Скрипт (шаг 4)

Рисунок 68 – Настройка узла Скрипт (шаг 5)

Рисунок 69 – Настройка узла Скрипт: результат настройки узла Скрипт

К узлу Настройка набора данных добавим узел Слияние с другим узлом

(рис. 70-75).

Рисунок 70 – Настройка узла Слияние с узлом (шаг 1)

Рисунок 71 – Настройка узла Слияние с узлом (шаг 2)

Рисунок 72 – Настройка узла Слияние с узлом (шаг 3)

Рисунок 73 – Настройка узла Слияние с узлом (шаг 4)

Рисунок 74 – Настройка узла Слияние с узлом (шаг 5)

Рисунок 75 – Настройка узла Слияние с узлом: результат

После процедуры формирования конечных классов все готово для построения модели прогнозирования вероятности отклика предложение о приобретении продуктов новой линии. Для данных целей хорошо себя зарекомендовал такой инструмент логистическая регрессия (линейный классификатор). Применим данный инструмент к предобработанным данным

(рис. 76-84). Настройка назначения столбцов показана на рисунке 77. Следующий шаг связан с настройкой разбиения множеств: по столбцу Признак тестового множества (рис. 78). На следующем шаге предлагается выбрать метод отбора переменных в модель. Поскольку конечные классы и "отсекли" незначимые столбцы были отсечены, то необходимости в пошаговых процедурах нет, оставим метод "Полное включение" (рис.79). На шаге настройки параметров регрессионной модели оставим все без изменений. Событием является Отклик = TRUE, следовательно, модель будет прогнозировать вероятность отклика (рис.80). Следующий шаг — это калибровка будущей модели. Дело в том, что представленные в обучающей и тестовой выборке пропорции событий и не-событий не соответствуют истинным, предположительно наблюдаемым в генеральной совокупности (вся клиентская база). Это значит, что модель логистической регрессии, построенная на перевзвешенной выборке, будет генерировать псевдовероятности (в данном случае - завышать их). Поэтому их нужно скорректировать и делается это путем внесения поправки. В постановке задачи говорилось, что отклик на предложение составляет в среднем величину 3,7%. Именно ее (в виде числа 0,037) и внесем в поле Событие генерального множества (рис. 81). На последнем шаге мастера настроим параметры преобразования регрессионной модели в балльную скоринговую карту. Активируем флаг Округлять балл до целого значения (рис.82). Для отображения полученных результатов выберем следующие способы отображения: Коэффициенты регрессии, Отчет по регрессии, Качество классификации (рис.84).