之前已經討論過這個問題，但我一直對如何使用利潤矩陣感到困惑。我的問題本質上是概念性的，所以我們只使用一些簡單的數字。假設我有關於客戶流失的數據，並且我為流失建立了一個預測模型（特定技術對於這個問題並不重要）。但是，我的決策錯誤不是對稱的，因此我想修改我的概率截止值以減少代價更高的錯誤分類錯誤。假設相關數據是：
- 我會給每個預測會失去的顧客送一份 50 美元的禮物。
- 我預計這些客戶中有 10% 會因為禮物而保留下來。
- 每個留存客戶的預期終生利潤現值為 1000 美元。
由此，我知道錯誤地預測客戶將被保留（誤報）比錯誤地預測我將失去客戶（誤報）花費更多。但是，我無法決定如何操作它。利潤矩陣似乎是包含此信息的自然位置，但 JMP 文檔中的示例並不能輕鬆轉化為該問題。我傾向於使用看起來像的利潤矩陣
預測流失=1 預測流失=0
實際流失 = 1 -50 -100
實際流失率 = 0 +50 +1000
我的推理是，我將向所有預測的流失者發送 50 美元的禮物，但實際上會保留其中的 10%（預期利潤 = 10%(1000)=100 美元）。然而，模型預測涉及初始模型的分類，而不是我的營銷努力的結果。也就是說，實際的churn=0並不是我送的結果，是初始模型的誤分類。
同樣，矩陣中的 -100 是因為如果我預測客戶會被保留而他們沒有，我不會送禮物（節省 50 美元）但我錯過了保留這些客戶中 10% 的機會（預期利潤 100 美元）。
錯誤分類錯誤不對稱這一事實很明顯 - 但實現這一點的方法卻並非如此。即使我不使用利潤矩陣，我也不清楚如何在包含我上面假設的簡化數據的分類模型中選擇概率截止值。我意識到分類模型確實是我想嘗試增加保留率的過程中的第一步。但是我對禮物、成功概率和預期利潤所做的假設應該提供足夠的信息以用於將分類模型應用於此問題。
任何人都可以幫助解決如何將假設信息合併到為分類模型選擇概率截止值的問題嗎？
謝謝。
