我們將隨機選擇

可以使用不同的分割，但在這裡，80% 的使用者作為訓練集，其餘的使用者作為測試集。完成此過程後，我們發現我們已將 45211 個總用戶隨機分為訓練集中的 36168 個用戶和測試集中的 9043 個用戶。

模型訓練和評估然後，我們將使用xgboost
演算法 訓練模型。之後，我們將評估生成的模型。雖然 xgboost 的可配置性很高，但為了簡單起見，在今天的範例中我們將主要使用預設值。

首先，我們來看看 AUC（曲線下面積）。這是分類模型（例如本分類模型）的常用指標，它會產生 0.5 到 1 之間的數字。在這種情況下，我們的 AUC 約為 0.73，表明我們的模型性能處於中等水平。在此類用例中這是可以預料的，因為客戶行為永遠無法完全預測。

2×2 的網格在 y 軸上顯示實際標籤，在 x 軸上顯示預測標籤。在 x 和 y 上都有「未轉換」和「已轉換」標籤。
混淆矩陣。

接下來我們來看看

上面的混淆矩陣。縱軸表示測試集中使用者的實際轉換結果，橫軸表示預測的轉換結果。例如，正確預測 7638 位使用者不會轉化，而正確預測 565 位使用者會轉化。預計 314 名用戶會轉化，但最終沒有轉化，而 526 名用戶預計不會轉化，但最終卻轉化了。

雖然這個模型並不完美，但值得注意的是，它可能非常有用，因為我們可以用它來分割。讓我們更仔細地檢查這個用例。

細分 介紹性 ML 教學中 瑞典 電話號碼 通常不會介紹細分
，但它對於充分利用預測模型進行行銷至關重要。讓我們試著將使用者分成 10 個十分位，看看每個細分的轉換可能性有多高。我們如何做到這一點的技術細節可以在筆記本中找到，但我們將繼續討論我們如何處理這裡的結果。我們將使用者分為 10 個十分位，依照模型預測的轉換可能性進行排名。

以十分位數顯示轉換率

的長條圖。 x 軸是 0 到 9 的十分位數，9 有最大的長條圖（最高轉換），0 沒有。
以十分位數描述轉換率的長條圖。

正如我們在這裡看到的，最上面的 SA 編號 十分位（標記為“9”）有大約 60% 的機會進行轉換，而 0-5 的十分位數幾乎沒有轉換的機會。由於我們在發送活動之前就知道這些訊息，因此這些訊息非常具有可操作性。例如，我們可以選擇不向 0 到 5 的十分位數發送行銷活動，而是向 6 到 9 的細分市場發送促銷訊息。

葡萄牙某銀行機構透過行銷資料進行的實際演示，生動地展示了預測模型在行銷中的實際應用，展現了其精準細分和優化資源配置的能力。