|
분류율의 통합비교
세 모형의 오분류율을 통합하여 비교해 보았다. 로지스틱 모형은 잘못 분류된 비율이 23.0%, 신경망의 경우 29.3%, 나무형 분류 모형의 경우 25.6% 였다. 이로 보았을 때 오분류율이 상대적으로 적은 로지스틱 모형이 낫다고 판
|
|
|
다.
6. SAS Enterprise Miner Method
SAS E-Miner 로 로지스틱 회귀분석과 의사결정나무에 적용시켜보았다. 함평나비축제의 Data를 Data Partition으로 Train 표본을 70%, Testing 표본을 30%로 하여 선택되는 변수와 오분류율을 살펴보았다.
1) SAS Enterprise Miner Streaming
|
|
|
타이태닉 데이터에 나무모형을 적합하시오. 이러한 결과를 통해 로지스틱 회귀모형과 나무모형의 특징을 간단하게 비교해 보시오. (6점)
3장 연구과제 2번의 (1)~(3) (6점)
3장 연구과제 3번 (6점)
4장 연구과제 2번 (3점)
4장 연구과제 4번 (6점)
|
|
|
분류의사결정나무를 생성하고, 두 자식노드에서 관찰치들의 집단별 빈도를 밝히시오.
(4) 위에서 생성된 분류의사결정나무(한 번만 분할)의 불순도 감소분을 계산하시오.
4. 배깅, 부스팅, 랜덤포레스트 중에서 극단값에 더 예민하게 반응
|
|
|
분류되었고, 찬성에 소속된 11명중 8명이 제대로 분류되었음을 의미한다. 전체 분류 정확도는 80.0%으로 나타났다.
(4) 제 변수들의 대운하 찬/반에 대한 적합 검정
실제로 독립변수들을 모두 진입시켜 이분형 로지스틱 회귀분석을 실시하였다.
|
|
 |
로지스틱 회귀분석(logistic regression)
9강 CRM을 위한 데이터마이닝2
1. 군집분석
2. 의사결정나무
3. 인공신경망
4. 모형의 평가
10강. CRM전략의 수립
1. 고객전략으로서의 CRM
2. 전사적 crm 전략수립단계
3. CRM 프로세스 전략 프레임워크
|
|
메뉴펼치기
