대상 이벤트가 드물게 발생하는 경우 예측 모델을 작성, 검증 및 테스트하기위한 데이터 샘플링응답 또는 응답하지 않는 것과 같이 이진 결과 변수를 예측하는 모델을 작성할 때 원하는 범주 (응답)의 비율이 낮을 수 있습니다. 예를 들어 다이렉트 메일 캠페인에서 응답률은 1 % 이하입니다. 이러한 경우 예측 모델은 빈번한 결과를 잘 예측하고 빈번하지 않은 결과를 잘못 예측하는 방법을 배우게됩니다.
가끔 발생하는 이벤트에 높은 가중치를 할당하는 것과 같이 빈번하지 않은 클래스의 더 나은 예측을 보장하는 다양한 방법이 있습니다. 모델 건물, 표본 선정 및 시험 표본에서 무작위로 발생하는 것보다 높은 비율의 표적 사건을 포함하도록 층화 표본 추출; 또는 다른 정확하고 잘못된 예측과 관련된 여러 가지 이익 / 비용을 할당 할 수 있습니다.
층화 샘플링
더 간단한 접근법 중 하나는 층화 표본 추출 대략 동일한 수의 응답자와 응답자로 구성된 샘플을 만듭니다. 이는 모델에 캠페인에 긍정적으로 반응하는 고객을 예측하는 방법을 학습 할 수있는 더 나은 기회를 제공하는 간단한 방법입니다. 그러나 모델 작성 데이터베이스에서 응답자가 아닌 응답자의 비율이 일반 상황을 반영하지 않기 때문에 결과 모델에서 모든 고객에 대해 반응하는 경향이 예상되는 확률은 너무 낙관적입니다. 이러한 예측을 조정하는 데는 여러 가지 방법이 있지만 예측 모델을 사용하여 고객의 점수와 순위를 결정하는 것이 걱정된다면 조정이 필요하지 않을 수 있습니다.
캠페인에 응답하는 역사적인 비율의 고객이 5.6 % 인 경우 자선 기부를 요청하는 다이렉트 메일 캠페인을 고려하십시오. 아래의 그림 1은 10,000 명의 고객을 대상으로 한 무작위 샘플을 기반으로 한 예측 모델을 보여줍니다. 그림 2는 1,000 명의 고객을 계층화 한 샘플의 예측 모델을 보여줍니다. 나는 사용했다. JMP Pro 두 모델을 구축 할 수 있습니다.
그림 1 - 10,000 명의 고객 중 무작위 샘플을 사용한 부트 스트랩 (무작위) 포리스트 모델
그림 2 : 1,000 명의 계층화 된 샘플에서 얻은 부트 스트랩 (임의의) 포리스트 모델
예상대로 랜덤 샘플은 모델 구축, 선택 및 테스트 단계에서 약 5.6 %의 응답 속도를 유지하며 테스트 데이터 하위 집합에서 매우 낮은 전반적인 오 분류 비율 인 5.85 %를 달성합니다. 긍정적으로 반응하는 고객.
반면에 그림 2에서 사용 된 1,000 명의 고객을 계층화 한 표본은 같은 수의 거버와 비 거버로 구성됩니다. 이 샘플링 전략은 테스트 참여자 중 69 %를 정확하게 예측할 수있는 이득에서 34 %의 전체 오 분류 비율을 높입니다. 우리의 목표는 기부자를 예측하는 것이므로 층화 표본 접근법을 사용하면 그림 1에 표시된 무작위 표본과 달리 향후 마케팅 캠페인을보다 생산적으로 할 수 있습니다.
Malcolm은 다음과 같이 썼습니다 : 자신을 안심 시키거나 ... 말콤 쓴 :
계층화 된 샘플링이 원하는 응답 속도가 낮은 경우 (예기치 않은 이벤트 또는 저주파 이벤트 예측) 예측 모델을 구축 할 때 사용할 데이터를 선택하는 올바른 방법 인 자신 또는 동료를 안심시키는 경우라면 데이터를 모델링 해보십시오. 층별 표본 추출없이 계층화 된 샘플링은 저주파 (또는 드문) 이벤트의 중요한 예측자를 식별하거나 마케팅 캠페인의 경우 어떤 고객 또는 대상 고객이 응답 할 가능성이 큰지를 분류하는 데 유용합니다. 그러나 계층화 된 샘플링을 기반으로 한 모델의 예상 확률을 사용하지 마십시오. 응답자의 예상자를 쉽게 찾고 응답자를 예측하기 위해 응답자의 비 응답자 비율을 의도적으로 조정했기 때문입니다. 예상 확률에 대한 간단한 수정을하여 일반 인구를 반영 할 수 있습니다.
Phillip Julian은 다음과 같이 썼습니다. 기술을 보내거나 게시 할 수 있습니까? 필립 줄리안 쓴 :
이 블로그의 기술 자료 또는 학술 자료를 보내거나 게시 할 수 있습니까? 동일한 수의 계층화 된 샘플링에 대한 기사는 이진 지층입니까? 나는 그 방법을 캠페인 반응 분석에 사용할 것이고, 나는 나의 방법을 정당화 할 필요가있을 것이다. 기사 및 제안 주셔서 감사합니다. 저는 Retail Campsign Analytics에서 일하고 있으며 팀에 큰 도움이 될 것입니다.
Danilo는 썼다 : 흥미 롭다, 만약 내가 그것을 올바르게 이해한다면, ... 다닐로 쓴 :
재미있는,
비록 내가 이해한다면, 실제로 샘플링 된 데이터가 실제 라 할지라도 실제 샘플링 프로세스에 의해 주어진 전체 정보를 사용하지 않는 결과물에 대한 더 나은 기사가 있습니다.
통계의 기본 원칙에 대해서는 다소 논란의 여지가 있습니다.
혼동 행렬을 만드는데 사용 된 컷오프 포인트는 무엇입니까? 가능한 경우, 두 모델의 ROC 곡선을보고 싶습니다 ....
Malcolm은 썼습니다 : 조지아, 성을 선택하는 많은 방법이 있습니다 ... 말콤 쓴 :
조지아,
계층화 된 샘플을 선택하는 데는 여러 가지 방법이 있습니다. 간단한 옵션 중 하나는 테이블 메뉴의 부분 집합 옵션을 사용하는 것입니다. 결과 대화 상자에서 임의 - 샘플 크기를 선택하고 계층화 옵션을 선택하십시오. 그런 다음 나타나는 목록에서 계층화 된 샘플을 정의 할 변수를 선택하고 계층 당 샘플 크기를 정의하십시오. 확인을 클릭하십시오.
말콤
GA 작성 : 친애하는 Malcolm : S를 구축하는 가장 좋은 방법은 무엇입니까 ... 조지아 주 쓴 :
Malcolm님께 : JMP Pro를 사용하여 계층화 된 샘플을 빌드하는 가장 좋은 방법은 무엇입니까?
많은 감사합니다,
조지아 주
