Case6. 顧客の満足、不満足を予測する

実際にランダムフォレストを使って、顧客満足予測モデルを作成していきます。

フロー

データセットの作成
モデル作成用、検証用にデータセットを分離
モデル作成用のデータセットでモデリング
モデルでの予測値（検証用データの各要因をモデルに適用した結果）と検証用データの比較
モデル内容

https://www.kaggle.com/vatsal2020/to-the-top-v33

# ライブラリの読み込み
#library(data.table)
library(dplyr)
library(ggplot2)
library(randomForest)

# データの読み込み
#data <- fread("./data/case06_train.csv", showProgress = FALSE, data.table = FALSE)
data <- read.csv("./data/case06_train.csv")

データセットの作成

# 欠損値の処理
data[is.na(data)] <- -1

# IDは除外
data <- select(data, -ID)

# データ型の変更
data$TARGET <- as.factor(data$TARGET)

# すべてのデータを使うと時間がかかるので調整
#model.dat <- data[1:10000,]
model.dat <- data

データセットの分離

# トレーニング用にサンプルをランダムに抽出
train.index <- sort(sample(1:nrow(model.dat), size = 50000))

#モデリング用と検証用にデータセットを分離
train <- model.dat[train.index,]
test  <- model.dat[-train.index,]

モデリング

ランダムフォレストでモデリング

# この処理は時間がかかります
# チューニング
feature.names <- names(model.dat)[1:ncol(model.dat)-1]
train.tune <- tuneRF(train[,feature.names], train$TARGET,  doBest = T)

## mtry = 19  OOB error = 3.93%
## Searching left ...
## mtry = 10    OOB error = 3.92%
## 0.0005094244 0.05
## Searching right ...
## mtry = 38    OOB error = 3.94%
## -0.00356597 0.05

# モデリング
train.rf <- randomForest(TARGET ~., data = train, mtry = train.tune$mtry )

モデルの評価（検証用データと予測値の比較）

# 検証用データにモデルを適用
test$pred <- predict(train.rf, test)

group_by(test,pred,TARGET) %>%
  summarise(count = n()) %>%
  ggplot(aes(x = as.factor(TARGET), y = count, fill = as.factor(pred))) +
  geom_bar(stat = "identity")

モデルの内容

各要因の売上への影響度合い

varImpPlot(train.rf)

<< 1.ビジネスの理解　 << 2.データの理解　