之前已经讨论过这个问题，但我一直对如何使用利润矩阵感到困惑。我的问题本质上是概念性的，所以我们只使用一些简单的数字。假设我有关于客户流失的数据，并且我为流失建立了一个预测模型（特定技术对于这个问题并不重要）。但是，我的决策错误不是对称的，因此我想修改我的概率截止值以减少代价更高的错误分类错误。假设相关数据是：
- 我会给每个预测会失去的顾客送一份 50 美元的礼物。
- 我预计这些客户中有 10% 会因为礼物而保留下来。
- 每个留存客户的预期终生利润现值为 1000 美元。
由此，我知道错误地预测客户将被保留（误报）比错误地预测我将失去客户（误报）花费更多。但是，我无法决定如何操作它。利润矩阵似乎是包含此信息的自然位置，但 JMP 文档中的示例并不能轻松转化为该问题。我倾向于使用看起来像的利润矩阵
预测流失=1 预测流失=0
实际流失 = 1 -50 -100
实际流失率 = 0 +50 +1000
我的推理是，我将向所有预测的流失者发送 50 美元的礼物，但实际上会保留其中的 10%（预期利润 = 10%(1000)=100 美元）。然而，模型预测涉及初始模型的分类，而不是我的营销努力的结果。也就是说，实际的churn=0并不是我送的结果，是初始模型的误分类。
同样，矩阵中的 -100 是因为如果我预测客户会被保留而他们没有，我不会送礼物（节省 50 美元）但我错过了保留这些客户中 10% 的机会（预期利润 100 美元）。
错误分类错误不对称这一事实很明显 - 但实现这一点的方法却并非如此。即使我不使用利润矩阵，我也不清楚如何在包含我上面假设的简化数据的分类模型中选择概率截止值。我意识到分类模型确实是我想尝试增加保留率的过程中的第一步。但是我对礼物、成功概率和预期利润所做的假设应该提供足够的信息以用于将分类模型应用于此问题。
任何人都可以帮助解决如何将假设信息合并到为分类模型选择概率截止值的问题吗？
谢谢。
