Titelaufnahme

Titel
Using penalized logistic regression models for predicting the effects of advertising material / von Stefan Grosswindhager
Verfasser / Verfasserin Grosswindhager, Stefan
Begutachter / BegutachterinDeistler, Manfred
Erschienen2009
UmfangV, 107 Bl. : Ill., zahlr. graph. Darst.
HochschulschriftWien, Techn. Univ., Dipl.-Arb., 2009
SpracheEnglisch
DokumenttypDiplomarbeit
Schlagwörter (DE)Logistische Regression / Lasso / Ridge / Elastic-Net / Klassifizierungsprobleme / Data-Warehouse / Data-Mining / Hauptkomponentenanalyse / ROC-Kurve / Partial Least Squares
Schlagwörter (EN)logistic regression / Lasso / Ridge / Elastic-Net / classification problems / Data-Warehouse / Data-Mining / Principal Component Analysis / ROC-curve / Partial Least Squares
URNurn:nbn:at:at-ubtuw:1-37604 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Using penalized logistic regression models for predicting the effects of advertising material [1.9 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Klassifizierung von Kunden in Käufer versus Nicht-Käufer oder Reagierer versus Nicht-Reagierer sind ein nicht mehr wegzudenkender Bestandteil von Marketing Problemen. Im Normalfall werden binäre Klassifizierungsmodelle wie Logistische Regressionen benötigt um solche Probleme lösen zu können. Diese Diplomarbeit beschäftigt sich mit verzerrten Schätzmethoden angewandt auf Logistische Regressionen zum Zwecke der Profilierung und Klassifizierung von hoch-dimensionalen Marketing Daten. Das Hauptziel der Diplomarbeit ist der Vergleich der Prognose Performance der einzelnen Klassifikatoren mit Hilfe von weit verbreiteten quantitativen und qualitativen Kenngrößen wie Receiver Operating Characteristic (ROC) Kurven oder erwartete Kostenkurven.

Zusammenfassung (Englisch)

Marketing problems commonly involve classification of customers into "buyer" versus "non-buyer" or "responders" versus "non-responders".

These cases usually require binary classification models such as logistic regression.

This thesis reviews promising biased estimation techniques applied to logistic regression for the purpose of profiling and classifying higher-dimensional marketing data. The main objective of the thesis is the comparison of the predictive performance of the individual classifiers, taking widely used quantitative and qualitative measures into account, including receiver operating characteristics (ROC) and expected cost curves.

Statistik
Das PDF-Dokument wurde 35 mal heruntergeladen.