Configuration d’un score de propension

Suivez ces étapes pour utiliser la visualisation du score de propension .

  1. Ouvrez un nouvel espace de travail et cliquez sur Add > Visualization > Predictive Analytics > Scoring > Propensity Score.

  2. Définissez la Target (variable dépendante).

    Définissez la variable dépendante en sélectionnant :

  • Éléments de Dimension : Cliquez avec le bouton droit de la souris dans l’espace de travail, puis sélectionnez Table. Sélectionnez ensuite un élément de Dimension comme variable dépendante.

    OR

  • Filter Editor. Cliquez sur Add > Visualization > Filter Editor pour ouvrir la visualisation de l’éditeur de filtres.

    Après avoir sélectionné un élément de Dimension ou Filtrer comme variable dépendante, cliquez sur Set Target, saisissez un nom pour décrire la variable dépendante. Cliquez ensuite sur OK (et assurez-vous que la zone de filtre est mise en surbrillance) pour définir la cible.

    Le nom donné à la cible est la variable dépendante qui apparaîtra dans le volet de gauche.

  1. Ajoutez des variables indépendantes.

    Ajoutez les variables indépendantes à l’aide des mesures ou des éléments de Dimension.

  • Mesures. Dans la barre d’outils Score de propension , sélectionnez une mesure dans le menu Metrics.

  • Éléments de Dimension : Cliquez avec le bouton droit de la souris dans l’espace de travail, puis sélectionnez Table. Sélectionnez un ou plusieurs éléments de Dimension et faites-les glisser sur la colonne de gauche sous Independent Variables ou dans la zone Element à l’aide des clés <Ctrl> + <Alt>.

  1. Définir Training Filter. Vous pouvez définir l’ensemble des visiteurs que vous souhaitez noter en cliquant sur Options > Set Training Filter dans la barre d’outils du score de propension. Vous obtiendrez ainsi un sous-ensemble de données créé à l’aide uniquement des visiteurs que vous souhaitez noter. Par exemple, qui a consulté le mois dernier, les visiteurs qui résident en Australie ou ceux qui ont consulté des produits spécifiques.

    Le filtre par défaut est Train on Everyone, mais vous pouvez le modifier en activant Dimension Elements dans un tableau ou en créant un filtre à l’aide de Filter Editor.

    Après avoir sélectionné un élément de Dimension ou créé un filtre et, lorsqu’il est activé, cliquez sur Options > Définir le filtre de formation, saisissez un nom pour décrire le filtre, puis cliquez sur OK.

  2. Une fois que vous avez identifié toutes vos entrées, appuyez sur Go.

    Le processus de notation commencera par transmettre les données plusieurs fois. Les résultats s’affichent alors sous forme de graphique à barres sur une ligne de pourcentage.

  3. Enregistrez le score de propension.

    À partir de la version 6.1, vous disposez désormais d’une option lors de l’utilisation de l’option Enregistrer le score de propension :

  • Dimension

  • Dimension et mesure

    Vous pouvez obtenir deux fichiers enregistrés, à la fois une dimension et une mesure définie.

    REMARQUE

    Si vous envoyez le score de propension pour le traitement, vous obtiendrez une dimension uniquement.

    La mesure dérivée est la mesure de score moyen associée.

  1. Vérifiez la précision.

    Le système affiche Model Complete et génère un modèle de notation une fois le processus terminé.

    Cliquez avec le bouton droit de la souris sur Model Complete pour identifier la précision du modèle de notation tel que défini par le système. Les valeurs comprises entre 0 % et 100 % identifieront la probabilité des visiteurs correspondant à la variable Target.

    La matrice de confusion donne quatre chiffres en fonction de la combinaison de l’option Réel positif (AP), Négatif réel (AN), Positif prédit (PP) et Négatif prédit (PN). Ces chiffres sont obtenus en appliquant le modèle de notation obtenu aux données de test ignorées de 20 % dont nous connaissons la vraie réponse. Si le score est supérieur à 50 %, il est prédit en tant que cas positif (correspondance à l’événement défini).

Précision Indique la précision du modèle en identifiant les prédictions correctes par rapport à toutes les prédictions.

(TP + TN)/(TP + FP + TN + FN)

Rappeler Identifie la possibilité de réidentifier le modèle de notation.

TP / (TP + FN)

Précision Identifie le niveau d’incohérence.

TP / (TP + FP)

  1. Ouvrez un Effet élévateur ou diagramme de gain ou la visionneuse de modèles.

    Cliquez avec le bouton droit de la souris sur la visualisation Modèle complet et sélectionnez Lift Chart, Gain Chart ou Model Viewer..

Sur cette page