Showing posts with label CUSTOMER RESPONSE PREDICTION. Show all posts
Showing posts with label CUSTOMER RESPONSE PREDICTION. Show all posts

Monday, December 24, 2018

CUSTOMER RESPONSE PREDICTION

CUSTOMER RESPONSE PREDICTION

>  str(iris)
'data.frame': 150 obs. of  5 variables:
 $ Sepal.Length: num  5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...
 $ Sepal.Width : num  3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ...
 $ Petal.Length: num  1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ...
 $ Petal.Width : num  0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ...
 $ Species     : Factor w/ 3 levels "setosa","versicolor",..: 1 1 1 1 1 1 1 1 1 1 ...
> attributes(iris)
$`names`
[1] "Sepal.Length" "Sepal.Width"  "Petal.Length"
[4] "Petal.Width"  "Species"   

$class
[1] "data.frame"

$row.names
  [1]   1   2   3   4   5   6   7   8   9  10  11  12  13  14
 [15]  15  16  17  18  19  20  21  22  23  24  25  26  27  28
 [29]  29  30  31  32  33  34  35  36  37  38  39  40  41  42
 [43]  43  44  45  46  47  48  49  50  51  52  53  54  55  56
 [57]  57  58  59  60  61  62  63  64  65  66  67  68  69  70
 [71]  71  72  73  74  75  76  77  78  79  80  81  82  83  84
 [85]  85  86  87  88  89  90  91  92  93  94  95  96  97  98
 [99]  99 100 101 102 103 104 105 106 107 108 109 110 111 112
[113] 113 114 115 116 117 118 119 120 121 122 123 124 125 126
[127] 127 128 129 130 131 132 133 134 135 136 137 138 139 140
[141] 141 142 143 144 145 146 147 148 149 150

> iris[1:5,]
  Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1          5.1         3.5          1.4         0.2  setosa
2          4.9         3.0          1.4         0.2  setosa
3          4.7         3.2          1.3         0.2  setosa
4          4.6         3.1          1.5         0.2  setosa
5          5.0         3.6          1.4         0.2  setosa
>
> head(iris)
  Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1          5.1         3.5          1.4         0.2  setosa
2          4.9         3.0          1.4         0.2  setosa
3          4.7         3.2          1.3         0.2  setosa
4          4.6         3.1          1.5         0.2  setosa
5          5.0         3.6          1.4         0.2  setosa
6          5.4         3.9          1.7         0.4  setosa
> tail(iris)
    Sepal.Length Sepal.Width Petal.Length Petal.Width
145          6.7         3.3          5.7         2.5
146          6.7         3.0          5.2         2.3
147          6.3         2.5          5.0         1.9
148          6.5         3.0          5.2         2.0
149          6.2         3.4          5.4         2.3
150          5.9         3.0          5.1         1.8
      Species
145 virginica
146 virginica
147 virginica
148 virginica
149 virginica
150 virginica
> iris[1:10, "Sepal.Length"]
 [1] 5.1 4.9 4.7 4.6 5.0 5.4 4.6 5.0 4.4 4.9
> iris$Sepal.Length[1:10]
 [1] 5.1 4.9 4.7 4.6 5.0 5.4 4.6 5.0 4.4 4.9
> summary(iris)
  Sepal.Length    Sepal.Width     Petal.Length
 Min.   :4.300   Min.   :2.000   Min.   :1.000
 1st Qu.:5.100   1st Qu.:2.800   1st Qu.:1.600
 Median :5.800   Median :3.000   Median :4.350
 Mean   :5.843   Mean   :3.057   Mean   :3.758
 3rd Qu.:6.400   3rd Qu.:3.300   3rd Qu.:5.100
 Max.   :7.900   Max.   :4.400   Max.   :6.900
  Petal.Width          Species
 Min.   :0.100   setosa    :50
 1st Qu.:0.300   versicolor:50
 Median :1.300   virginica :50
 Mean   :1.199               
 3rd Qu.:1.800               
 Max.   :2.500               
> quantile(iris$Sepal.Length)
  0%  25%  50%  75% 100%
 4.3  5.1  5.8  6.4  7.9
> quantile(iris$Sepal.Length, c(.1, .3, .65))
 10%  30%  65%
4.80 5.27 6.20
> var(iris$Sepal.Length)
[1] 0.6856935
> var(iris$Sepal.Length)
[1] 0.6856935
> hist(iris$Sepal.Length)
> plot(density(iris$Sepal.Length))

> table(iris$Species)

    setosa versicolor  virginica
        50         50         50
> pie(table(iris$Species))
> barplot(table(iris$Species))
>
> cov(iris$Sepal.Length, iris$Petal.Length)
[1] 1.274315
>
> cov(iris[,1:4])
             Sepal.Length Sepal.Width Petal.Length
Sepal.Length    0.6856935  -0.0424340    1.2743154
Sepal.Width    -0.0424340   0.1899794   -0.3296564
Petal.Length    1.2743154  -0.3296564    3.1162779
Petal.Width     0.5162707  -0.1216394    1.2956094
             Petal.Width
Sepal.Length   0.5162707
Sepal.Width   -0.1216394
Petal.Length   1.2956094
Petal.Width    0.5810063
>
> cor(iris$Sepal.Length, iris$Petal.Length)
[1] 0.8717538
>
> cor(iris[,1:4])
             Sepal.Length Sepal.Width Petal.Length
Sepal.Length    1.0000000  -0.1175698    0.8717538
Sepal.Width    -0.1175698   1.0000000   -0.4284401
Petal.Length    0.8717538  -0.4284401    1.0000000
Petal.Width     0.8179411  -0.3661259    0.9628654
             Petal.Width
Sepal.Length   0.8179411
Sepal.Width   -0.3661259
Petal.Length   0.9628654
Petal.Width    1.0000000
> aggregate(Sepal.Length ~ Species, summary, data=iris)
     Species Sepal.Length.Min. Sepal.Length.1st Qu.
1     setosa             4.300                4.800
2 versicolor             4.900                5.600
3  virginica             4.900                6.225
  Sepal.Length.Median Sepal.Length.Mean Sepal.Length.3rd Qu.
1               5.000             5.006                5.200
2               5.900             5.936                6.300
3               6.500             6.588                6.900
  Sepal.Length.Max.
1             5.800
2             7.000
3             7.900
> aggregate(Sepal.Length ~ Species, summary, data=iris)
     Species Sepal.Length.Min. Sepal.Length.1st Qu.
1     setosa             4.300                4.800
2 versicolor             4.900                5.600
3  virginica             4.900                6.225
  Sepal.Length.Median Sepal.Length.Mean Sepal.Length.3rd Qu.
1               5.000             5.006                5.200
2               5.900             5.936                6.300
3               6.500             6.588                6.900
  Sepal.Length.Max.
1             5.800
2             7.000
3             7.900
> boxplot(Sepal.Length~Species, data=iris)
> with(iris, plot(Sepal.Length, Sepal.Width, col=Species, pch=as.numeric(Species)))
>
> plot(jitter(iris$Sepal.Length), jitter(iris$Sepal.Width))
> pairs(iris)
> library(scatterplot3d)
> scatterplot3d(iris$Petal.Width, iris$Sepal.Length, iris$Sepal.Width)
> library(rgl)
Warning message:
package ‘rgl’ was built under R version 3.5.1
> detach("package:rgl", unload=TRUE)
> library("rgl", lib.loc="~/R/win-library/3.5")
Warning message:
package ‘rgl’ was built under R version 3.5.1
> library(rgl)
> plot3d(iris$Petal.Width, iris$Sepal.Length, iris$Sepal.Width)
> distMatrix <- as.matrix(dist(iris[,1:4]))
> heatmap(distMatrix)
>
> library(lattice)
> levelplot(Petal.Width~Sepal.Length*Sepal.Width, iris, cuts=9,
+           col.regions=grey.colors(10)[10:1])
> filled.contour(volcano, color=terrain.colors, asp=1,
+                 plot.axes=contour(volcano, add=T))
>
> persp(volcano, theta=25, phi=30, expand=0.5, col="lightblue")
> library(MASS)
>
> parcoord(iris[1:4], col=iris$Species)
>
>
> library(lattice)
> parallelplot(~iris[1:4] | Species, data=iris)
>
> library(ggplot2)
Warning message:
package ‘ggplot2’ was built under R version 3.5.1
> qplot(Sepal.Length, Sepal.Width, data=iris, facets=Species ~.)

>
> myFormula <- Species ~ Sepal.Length + Sepal.Width + Petal.Length + Petal.Width

  object 'trainData' not found
> set.seed(1234)
> ind <- sample(2, nrow(iris), replace=TRUE, prob=c(0.7, 0.3))
> trainData <- iris[ind==1,]
> testData <- iris[ind==2,]
> iris_ctree <- ctree(myFormula, data=trainData)
> table(predict(iris_ctree), trainData$Species)
         
             setosa versicolor virginica
  setosa         40          0         0
  versicolor      0         37         3
  virginica       0          1        31
>
> print(iris_ctree)

Conditional inference tree with 4 terminal nodes

Response:  Species
Inputs:  Sepal.Length, Sepal.Width, Petal.Length, Petal.Width
Number of observations:  112

1) Petal.Length <= 1.9; criterion = 1, statistic = 104.643
  2)*  weights = 40
1) Petal.Length > 1.9
  3) Petal.Width <= 1.7; criterion = 1, statistic = 48.939
    4) Petal.Length <= 4.4; criterion = 0.974, statistic = 7.397
      5)*  weights = 21
    4) Petal.Length > 4.4
      6)*  weights = 19
  3) Petal.Width > 1.7
    7)*  weights = 32
> plot(iris_ctree)
> plot(iris_ctree, type="simple")
> testPred <- predict(iris_ctree, newdata = testData)
> table(testPred, testData$Species)
         
testPred     setosa versicolor virginica
  setosa         10          0         0
  versicolor      0         12         2
  virginica       0          0        14
> testPred <- predict(iris_ctree, newdata = testData)
>
>
> install.packages("bodyfat")

> mboost
function (formula, data = list(), na.action = na.omit, weights = NULL,
    offset = NULL, family = Gaussian(), control = boost_control(),
    oobweights = NULL, baselearner = c("bbs", "bols", "btree",
        "bss", "bns"), ...)
{
    if (length(formula[[3]]) == 1) {
        if (as.name(formula[[3]]) == ".") {
            formula <- as.formula(paste(deparse(formula[[2]]),
                "~", paste(names(data)[names(data) != all.vars(formula[[2]])],
                  collapse = "+"), collapse = ""))
        }
    }
    if (is.data.frame(data)) {
        if (!all(cc <- Complete.cases(data))) {
            vars <- all.vars(formula)[all.vars(formula) %in%
                names(data)]
            data <- na.action(data[, vars])
            if (!is.null(weights) && nrow(data) < length(weights)) {
                if (sum(cc) == nrow(data))
                  weights <- weights[cc]
            }
            if (!is.null(oobweights) && nrow(data) < length(oobweights)) {
                if (sum(cc) == nrow(data))
                  oobweights <- oobweights[cc]
            }
        }
    }
    else {
        if (any(unlist(lapply(data, function(x) !all(Complete.cases(x))))))
            warning(sQuote("data"), " contains missing values. Results might be affected. Consider removing missing values.")
    }
    if (is.character(baselearner)) {
        baselearner <- match.arg(baselearner)
        bname <- baselearner
        if (baselearner %in% c("bss", "bns")) {
            warning("bss and bns are deprecated, bbs is used instead")
            baselearner <- "bbs"
        }
        baselearner <- get(baselearner, mode = "function", envir = parent.frame())
    }
    else {
        bname <- deparse(substitute(baselearner))
    }
    stopifnot(is.function(baselearner))
    "+" <- function(a, b) {
        cl <- match.call()
        if (inherits(a, "blg"))
            a <- list(a)
        if (!is.list(a)) {
            a <- list(baselearner(a))
            a[[1]]$set_names(deparse(cl[[2]]))
        }
        if (inherits(b, "blg"))
            b <- list(b)
        if (!is.list(b)) {
            b <- list(baselearner(b))
            b[[1]]$set_names(deparse(cl[[3]]))
        }
        c(a, b)
    }
    bl <- eval(as.expression(formula[[3]]), envir = c(as.list(data),
        list(`+` = get("+"))), enclos = environment(formula))
    if (inherits(bl, "blg"))
        bl <- list(bl)
    if (!is.list(bl)) {
        bl <- list(baselearner(bl))
        bl[[1]]$set_names(deparse(formula[[3]]))
    }
    stopifnot(all(sapply(bl, inherits, what = "blg")))
    names(bl) <- sapply(bl, function(x) x$get_call())
    response <- eval(as.expression(formula[[2]]), envir = data,
        enclos = environment(formula))
    ret <- mboost_fit(bl, response = response, weights = weights,
        offset = offset, family = family, control = control,
        oobweights = oobweights, ...)
    if (is.data.frame(data) && nrow(data) == length(response))
        ret$rownames <- rownames(data)
    else ret$rownames <- 1:NROW(response)
    ret$call <- match.call()
    ret
}

> ind <- sample(2, nrow(iris), replace=TRUE, prob=c(0.7, 0.3))
> trainData <- iris[ind==1,]
> testData <- iris[ind==2,]
>
> detach("package:mboost", unload=TRUE)
> library("mboost", lib.loc="~/R/win-library/3.5")



> library(randomForest)
> rf <- randomForest(Species ~ ., data=trainData, ntree=100, proximity=TRUE)
>
> table(predict(rf), trainData$Species)
         
             setosa versicolor virginica
  setosa         40          0         0
  versicolor      0         35         2
  virginica       0          3        32
> print(rf)

Call:
 randomForest(formula = Species ~ ., data = trainData, ntree = 100,      proximity = TRUE)
               Type of random forest: classification
                     Number of trees: 100
No. of variables tried at each split: 2

        OOB estimate of  error rate: 4.46%
Confusion matrix:
           setosa versicolor virginica class.error
setosa         40          0         0  0.00000000
versicolor      0         35         3  0.07894737
virginica       0          2        32  0.05882353
> attributes(rf)
$`names`
 [1] "call"            "type"            "predicted"   
 [4] "err.rate"        "confusion"       "votes"       
 [7] "oob.times"       "classes"         "importance"   
[10] "importanceSD"    "localImportance" "proximity"   
[13] "ntree"           "mtry"            "forest"       
[16] "y"               "test"            "inbag"       
[19] "terms"       

$class
[1] "randomForest.formula" "randomForest"     

>
> plot(rf)
>
> importance(rf)
             MeanDecreaseGini
Sepal.Length         6.254300
Sepal.Width          1.813532
Petal.Length        34.262190
Petal.Width         31.487121
> varImpPlot(rf)
>
> irisPred <- predict(rf, newdata=testData)
> table(irisPred, testData$Species)
         
irisPred     setosa versicolor virginica
  setosa         10          0         0
  versicolor      0         12         2
  virginica       0          0        14
> plot(margin(rf, testData$Species))
>
> year <- rep(2008:2010, each=4)
> quarter <- rep(1:4, 3)
> cpi <- c(162.2, 164.6, 166.5, 166.0,
+           166.2, 167.0, 168.6, 169.5,
+           171.0, 172.1, 173.3, 174.0)
> plot(cpi, xaxt="n", ylab="CPI", xlab="")
>
> axis(1, labels=paste(year,quarter,sep="Q"), at=1:12, las=3)
>
> cor(year,cpi)
[1] 0.9096316
>
> cor(quarter,cpi)
[1] 0.3738028
> fit <- lm(cpi ~ year + quarter)
> fit

Call:
lm(formula = cpi ~ year + quarter)

Coefficients:
(Intercept)         year      quarter
  -7644.488        3.888        1.167

> (cpi2011 <- fit$coefficients[[1]] + fit$coefficients[[2]]*2011
+      fit$coefficients[[3]]*(1:4))
Error: unexpected symbol in:
"(cpi2011 <- fit$coefficients[[1]] + fit$coefficients[[2]]*2011
     fit"
>
> (cpi2011 <- fit$coefficients[[1]] + fit$coefficients[[2]]*2011 +
+      fit$coefficients[[3]]*(1:4))
[1] 174.4417 175.6083 176.7750 177.9417
>
> attributes(fit)
$`names`
 [1] "coefficients"  "residuals"     "effects"   
 [4] "rank"          "fitted.values" "assign"     
 [7] "qr"            "df.residual"   "xlevels"   
[10] "call"          "terms"         "model"     

$class
[1] "lm"

>
> fit$coefficients
 (Intercept)         year      quarter
-7644.487500     3.887500     1.166667
>
> residuals(fit)
          1           2           3           4           5
-0.57916667  0.65416667  1.38750000 -0.27916667 -0.46666667
          6           7           8           9          10
-0.83333333 -0.40000000 -0.66666667  0.44583333  0.37916667
         11          12
 0.41250000 -0.05416667
>
> summary(fit)

Call:
lm(formula = cpi ~ year + quarter)

Residuals:
    Min      1Q  Median      3Q     Max
-0.8333 -0.4948 -0.1667  0.4208  1.3875

Coefficients:
              Estimate Std. Error t value Pr(>|t|) 
(Intercept) -7644.4875   518.6543 -14.739 1.31e-07 ***
year            3.8875     0.2582  15.058 1.09e-07 ***
quarter         1.1667     0.1885   6.188 0.000161 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 0.7302 on 9 degrees of freedom
Multiple R-squared:  0.9672, Adjusted R-squared:  0.9599
F-statistic: 132.5 on 2 and 9 DF,  p-value: 2.108e-07

> plot(fit)
Hit <Return> to see next plot:
Hit <Return> to see next plot:
Hit <Return> to see next plot:
Hit <Return> to see next plot
:
> library(scatterplot3d)
> s3d <- scatterplot3d(year, quarter, cpi, highlight.3d=T, type="h", lab=c(2,3))
> s3d$plane3d(fit)
>
> data2011 <- data.frame(year=2011, quarter=1:4)
> cpi2011 <- predict(fit, newdata=data2011)
> style <- c(rep(1,12), rep(2,4))
> plot(c(cpi, cpi2011), xaxt="n", ylab="CPI", xlab="", pch=style, col=style)
>
> axis(1, at=1:16, las=3,
+       labels=c(paste(year,quarter,sep="Q"), "2011Q1", "2011Q2", "2011Q3", "2011Q4"))

> iris2 <- iris
> plot(iris2[c("Sepal.Length", "Sepal.Width")], col = kmeans.result$cluster)

> iris2$Species <- NULL
> (kmeans.result <- kmeans(iris2, 3))
K-means clustering with 3 clusters of sizes 38, 50, 62

Cluster means:
  Sepal.Length Sepal.Width Petal.Length Petal.Width
1     6.850000    3.073684     5.742105    2.071053
2     5.006000    3.428000     1.462000    0.246000
3     5.901613    2.748387     4.393548    1.433871

Clustering vector:
  [1] 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
 [29] 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 3 3 1 3 3 3
 [57] 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 1 3 3 3 3 3 3
 [85] 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 1 3 1 1 1 1 3 1 1 1 1 1
[113] 1 3 3 1 1 1 1 3 1 3 1 3 1 1 3 3 1 1 1 1 1 3 1 1 1 1 3 1
[141] 1 1 3 1 1 1 3 1 1 3

Within cluster sum of squares by cluster:
[1] 23.87947 15.15100 39.82097
 (between_SS / total_SS =  88.4 %)

Available components:

[1] "cluster"      "centers"      "totss"     
[4] "withinss"     "tot.withinss" "betweenss" 
[7] "size"         "iter"         "ifault"   
> table(iris$Species, kmeans.result$cluster)
         
              1  2  3
  setosa      0 50  0
  versicolor  2  0 48
  virginica  36  0 14
> plot(iris2[c("Sepal.Length", "Sepal.Width")], col = kmeans.result$cluster)
> points(kmeans.result$centers[,c("Sepal.Length", "Sepal.Width")], col = 1:3,
+         pch = 8, cex=2)
>
> install.packages("fpc")
> library(fpc)
>
> pamk.result <- pamk(iris2)
> pamk.result$nc
[1] 2
> table(pamk.result$pamobject$clustering, iris$Species)
 
    setosa versicolor virginica
  1     50          1         0
  2      0         49        50
> layout(matrix(c(1,2),1,2))
> plot(pamk.result$pamobject)
>
> layout(matrix(1))

> idx <- sample(1:dim(iris)[1], 40)
>
> irisSample <- iris[idx,]
> irisSample$Species <- NULL
> hc <- hclust(dist(irisSample), method="ave")
> plot(hc, hang = -1, labels=iris$Species[idx])
>
> rect.hclust(hc, k=3)
> groups <- cutree(hc, k=3)
> iris2 <- iris[-5]
> ds <- dbscan(iris2, eps=0.42, MinPts=5)
> table(ds$cluster, iris$Species)
 
    setosa versicolor virginica
  0      2         10        17
  1     48          0         0
  2      0         37         0
  3      0          3        33
> plot(ds, iris2)
>
> plot(ds, iris2[c(1,4)])
>
> plotcluster(iris2, ds$cluster)

Black-Scholes formula-R

 Black-Scholes formula-R > BlackScholes <- function(TypeFlag = c("c", "p"), S, X, Time, r, b, sigma) { TypeFla...