发帖
雷达卡
每当我们拜访客户并提出建议时，我们都开始怀疑客户会接受还是拒绝该建议。通常，我们的客户将分析我们的建议，将其与其他竞争对手的建议进行比较并做出决定。
为了构建我们的商业预测系统，我们需要为我们提出的每个提案分配一个概率，并为每个提案分配一个数值。
一种方法是将提案的价值乘以获胜的可能性。
Expected_income = proposal_value * proposal_probability
但是，如何为不同机会分配概率呢？
大多数商务部门都使用团队的知识，经验和直觉来计算赢得机会的可能性。
并且，还有其他方法可以计算此机会成功的机会吗？
答案是肯定的。使用logistic回归（机器学习中最流行的技术之一），可以训练一种算法，该算法计算一个商业机会成功的概率。
逻辑回归可以应用于许多变量，但是为了简单起见，我们将仅使用一个变量，这是自机会创建以来机会“存活”的时间（以天为单位）。
之所以选择此变量，是因为大多数采购部门需要一定的时间来分析提案并为特定类型的产品做出决策，在此之后，成功的机会就不多了。
为了训练模型，有必要使用历史信息并以如下方式准备数据：在X列中有一次机会是“活着”，在Y列中有“ 0”或“ 1”，具体取决于这个机会是否成功。
使用R我们可以非常容易地拟合<-glm（结果?时间，数据=产品，家庭='二项式'）进行回归
R将存储自变量和截距的值，因此我们将能够构造表达式z = a * time + intercept。
最后，我们将时间相关概率计算为p（t）= Sigmoid（z）
关注 CDA人工智能学院 ，回复“录播”获取更多人工智能精选直播视频！
京公网安备 11010802022788号
