Merge pull request #8 from mixowo/master

Merging progress 1

docs/report1.Rmd

@@ -4,27 +4,10 @@ author: "Jakub Cierocki"
 date: "14 04 2020"
 output: pdf_document
 ---
+WPROWADZENIE
 
-```{r setup, include=FALSE}
-knitr::opts_chunk$set(echo = TRUE)
-```
+Rozważania na temat "customer churn", czyli zakończenie współpracy klienta z przedsiębiorstwem było w kręgu zainteresowania naukowców od wielu lat. Firmy, w szczególności banki są zainteresowane takimi klientami i analizowaniem ich zachowania, gdyż pozyskiwania nowych klientów zwykle jest o wiele droższym zabiegiem, niż utrzymanie dotychczasowych. Przykładowo, jeśli Spotify zidentyifkowałby segment osób, które byłyby obciążone ryzykiem churnowania, przedsiębiorstwo mogłoby zasypać ich specjalnymi ofertami, zachęcających ich do dalszego korzystania z ich usług.
 
-## R Markdown
+Kolejnym argumentem potwierdzającym znaczenie badania jest ryzyko powielającej się zależności, która powoduje długotrwałą strate klientów, której przedsiębiorstwo mogłoby uniknąć, analizując zachowania oraz cechy klientów w grupie ryzyka.
 
-This is an R Markdown document. Markdown is a simple formatting syntax for authoring HTML, PDF, and MS Word documents. For more details on using R Markdown see <http://rmarkdown.rstudio.com>.
-
-When you click the **Knit** button a document will be generated that includes both content as well as the output of any embedded R code chunks within the document. You can embed an R code chunk like this:
-
-```{r cars}
-summary(cars)
-```
-
-## Including Plots
-
-You can also embed plots, for example:
-
-```{r pressure, echo=FALSE}
-plot(pressure)
-```
-
-Note that the `echo = FALSE` parameter was added to the code chunk to prevent printing of the R code that generated the plot.
+W ninejszym raporcie zbadamy, jakie czynniki wpływają na decyzję klienta w przyadku zmiany banku. Skupimy się na czynnikach ekonomicznych, ale również aspektach psychofizycznych, które będą znacząco wpływać na wynik badanego przez nas zagadnienia.

work1.R

@@ -5,14 +5,14 @@ library(stringr)
 library(ggplot2)
 library(GGally)
 library(scorecard)
-library(funModeling)
-# library(caret)
-# library(ranger)
+library(caret)
+library(ranger)
+
 
 rm(list = ls())
 
 source("funs.R")
-  
+
 data_raw <- read_csv("data/dataset1.csv")
 data1 <- data_raw %>% 
   mutate(Geography = factor(Geography), Gender = factor(Gender), 
@@ -41,17 +41,14 @@ iv(data1, "Exited", "NotSpain", positive = "No")
 
 opt_bin <- woebin(data1, "Exited", "Age", positive = "No")#[[1]]$breaks
 
-data2 <- data1 %>% mutate(Age_bin2 = discretize_rgr(Age, Exited, max_n_bins = 6))
-data2 <- data2 %>% woebin_ply(opt_bin, to = "bin") %>% mutate(Age_bin = as.factor(Age_bin))
-
-# opt_bin2 <- discretize_get_bins(data1, 4, input = "Age")
-
-head(data2$Age_bin2)
-plot(data2$Age_bin)
-plot(data2$Age_bin2)
-
-iv(data2, y = "Exited", positive = "No")
-
-#### łączenie zmiennych w celu uzyskania zbliżonej liczby kategorii (nieobciążone oceny ważności parametrów i IV)
-
-# dodałem funkcję w pliku funs.R
+opt_bin2 <- woebin(data1,"Exited","Balance",positive = "No")
+opt_bin3 <- woebin(data1,"Exited","CreditScore",positive = "No")
+opt_bin4 <- woebin(data1,"Exited","NumOfProducts",positive = "No")
+opt_bin5 <- woebin(data1,"Exited","EstimatedSalary",positive = "No")
+opt_bin6 <- woebin(data1,"Exited","Tenure",positive = "No")
+data2 <- data1 %>% woebin_ply(opt_bin, to = "bin") %>% mutate(Age_bin =as.factor(Age_bin)) 
+data2 <- data2 %>% woebin_ply(opt_bin2, to = "bin") %>% mutate(Balance_bin = as.factor(Balance_bin)) 
+data2 <- data2 %>% woebin_ply(opt_bin3, to = "bin") %>% mutate(CreditScore_bin = as.factor(CreditScore_bin)) 
+data2 <- data2 %>% woebin_ply(opt_bin4, to = "bin") %>% mutate(NumOfProducts_bin = as.factor(NumOfProducts_bin)) 
+data2 <- data2 %>% woebin_ply(opt_bin5, to = "bin") %>% mutate(EstimatedSalary_bin = as.factor(EstimatedSalary_bin)) 
+data2 <- data2 %>% woebin_ply(opt_bin6, to = "bin") %>% mutate(Tenure_bin =as.factor(Tenure_bin))