模型之前的数据准备都基本完成了，最后添加一个类型节点。
我们先研究的是下月登陆流失，所以现将下月充值流失角色设为无，下月登陆流失设为目标，接下来就是选择需要预测的模型。这里选择了贝叶斯与C5.0的算法。
贝叶斯这里运用了三种方法：TAN、Markov、Markov_FS
分别添加三个贝叶斯节点，名字分别命名：TAN、Markov、Markov_FS（方便辨识）。
TAN设置结构类型为TAN；Markov设置结构类型为Markov Blanket；Markov_FS设置结构类型为Markov Blanket并且勾选“包括特征选择预处理步骤”。分别运行得到3个模型，最后连接一个“分析”节点，默认状态下按运行。
分析节点运行结果：
大家可以明显发现，运用贝叶斯的三种方法的准确率基本都为83%，这说明三种方法差别并不大。其实在一般预测来说，80%以上已经算比较好的结果了。但是这里将进一步采用C5.0的算法与其比较。
添加C5.0算法节点，默认状态下按运行，得到C5.0的模型，点击C5.0模型节点
可以看到每一个变量的重要性，而“活跃度”这个变量的重要性是最高的。（这也说明了一些衍生字段对后期分析的重要性）
接下来再添加“分析”节点发现准确率达到85%，比贝叶斯要稍微好点。（有一些情况对决策树使用boosting方法或者进行截枝修剪严重性会得到更好的效果）
我们再用C5.0模型进一步进行流失分析，添加“直方图”节点：
选择字段level OR 注册时间，交叠字段颜色选择我们通过C5.0预测出来的“$C-下月登陆流失”字段，点击运行。
用这个方法可以进一步预测分析下月流失的等级分布，或者注册时间分布，或者更多有关玩家的信息，原理一样在这里不再做拓展。到这里流失预测模型已经建好可以投入使用了。接上我们需要预测1月份的数据，我们可以进一步看到这个预测模型在下个月的准确性仍可以保持在85%左右，说明预测的效果还是不错的，之后可以直接进行一系列的分析。（在这里说明一下，一般预测模型会随着时间的推移慢慢减低准确性，所以建议在做预测之前都用前一个月的数据来训练一次模型，从而能让模型保持一定的准确性）
附加一个12月份付费用户在1月份流失的注册时间分布图，大家看有没有发现什么有意思的东西~
VIA：石_頭
更多详细信息，请您微信关注“计算网”公众号：
