Prevendo o sentimento de avaliações de comércio eletrônico com modelos de machine learning
Autor: Gustavo Carvalho
Segundo uma pesquisa recente, 94% das pessoas já desistiram de uma compra por causa de uma avaliação negativa. Para as empresas de comércio eletrônico, identificar os clientes insatisfeitos antes de eles enviarem uma avaliação ruim do produto ou pedido permite:
- Envio de mensagens personalizadas para resolver a insatisfação antes da avaliação negativa
- Mostrar que se importa: muitos consumidores não deixam as resenhas para outros consumidores, mas sim para que a empresa saiba da sua instisfação
Nesta análise, eu utilizo dados de 100 mil pedidos da Olist para criar modelos que preveem o sentimento da avaliação de um pedido (positivo ou negativo). Entre as variáveis explicativas, temos o valor dos pedido, valor do frete, prazo de entrega, dias de atraso na entrega e forma de pagamento.
Para criar um modelo que preveja se um usuário tende a deixar uma avaliação positiva ou negativa, neste notebook eu:
- Exploro os dados, identificando o formato das distribuições, presença de outliers, correlações entre as variáveis
- Crio novas variáveis (feature engineering) de acordo com o problema de negócio, retiro as variáveis altamente correlacionadas às outras, e aplico as transformações necessárias para cada modelo
- Ajusto uma série de modelos de aprendizado de máquina em que a variável a ser prevista é o sentimento da avaliação (positivo ou negativo)
- Interpreto os resultados do ponto de visto do negócio
Nesta análise eu uso o R, os pacotes dos grupos tidyverse e tidymodels, e os dados da Olist disponibilizados no Kaggle.
1. Importando os dados e criando novas variáveis
# Lendo os arquivos disponibilizados no Kaggle. Cada csv corresponde a uma tabela do banco
# A coluna order_id é a principal chave
<- read_csv("data/olist/olist_geolocation_dataset.csv")
geolocations <- read_csv("data/olist/olist_customers_dataset.csv")
consumidores <- read_csv("data/olist/olist_order_items_dataset.csv")
itens <- read_csv("data/olist/olist_order_reviews_dataset.csv")
avaliacoes <- read_csv("data/olist/olist_products_dataset.csv")
produtos <- read_csv("data/olist/olist_sellers_dataset.csv")
vendedores <- read_csv("data/olist/olist_order_payments_dataset.csv")
pagamentos <- read_csv("data/olist/olist_orders_dataset.csv")
pedidos
# Corrigindo nomes de variáveis errados na fonte (lenght em vez de length)
<- produtos %>%
produtos rename(product_description_length = product_description_lenght,
product_name_length = product_name_lenght) %>%
mutate(product_category_name = if_else(is.na(product_category_name), "outras", product_category_name))
# Criando a variável resposta
<- avaliacoes %>%
avaliacoes mutate(
review_sentiment = case_when(
%in% 1:2 ~ "negative",
review_score %in% 4:5 ~ "positive",
review_score TRUE ~ "neutral"
)%>% filter(review_sentiment != "neutral")
)
# Calculando a nota média por produto
<- avaliacoes %>%
mean_prod_rating left_join(pedidos) %>%
left_join(itens) %>%
left_join(produtos) %>%
select(product_id, review_score) %>%
group_by(product_id) %>%
summarise(mean_prod_score = mean(review_score, na.rm = T)) %>%
ungroup()
<- produtos %>%
produtos left_join(mean_prod_rating)
# Criando a variável survey_hours_after_asking
# Tempo entre email de solicitação e postagem na resenha
<- avaliacoes %>%
avaliacoes filter(!duplicated(order_id)) %>%
mutate(survey_hours_after_asking = as.numeric(review_answer_timestamp - review_creation_date))
# Agrupando os pagamentos em pedidos pagos com mais de uma forma (cartão e voucher, por exemplo)
<- pagamentos %>%
pagamentos group_by(order_id) %>%
summarise(payment_value = sum(payment_value),
payment_type = first(payment_type),
payment_installments = min(payment_installments)) %>%
ungroup()
# Criando 3 variáveis relacionadas aos prazos:
# 1. estimated_delivery_in_days
# 2. delivery_in_days
# 3. delivery_delay_in_days (positiva se houve atraso)
# 4. approval_delay_in_days
<- pedidos %>%
pedidos mutate(estimated_delivery_in_days =
as.numeric(order_estimated_delivery_date - order_purchase_timestamp)) %>%
mutate(delivery_in_days =
as.numeric((order_delivered_customer_date - order_purchase_timestamp)/24)) %>%
mutate(delivery_delay_in_days =
as.numeric(-(order_estimated_delivery_date - order_delivered_customer_date)/(60*60*24))) %>%
mutate(approval_delay_in_hours = as.numeric((order_approved_at - order_purchase_timestamp)/(3600)))
# Criando uma interação entre valor do pedido e atraso
<- pedidos %>%
pedidos left_join(pagamentos) %>%
mutate(value_delay_interaction = payment_value * delivery_delay_in_days) # Talvez eu tenha que centralizar e padronizar antes
# Quanto tempo (horas) depois da chegada do pedido a requisição de avaliação foi enviada
<- avaliacoes %>%
avaliacoes left_join(pedidos) %>%
mutate(survey_hours_after_arrival = as.numeric((review_answer_timestamp - order_delivered_customer_date)/60))
# Agrupando os dados de pedidos com mais de 1 item
<- itens %>%
itens left_join(
select(
produtos,
product_id,
mean_prod_score,
product_description_length,
product_category_name,
product_photos_qty,
product_name_length,
product_weight_g
)%>%
) group_by(order_id) %>%
summarise(
mean_prod_score = mean(mean_prod_score),
freight_value = sum(freight_value),
price = sum(price),
product_description_length = mean(product_description_length),
product_category_name = first(product_category_name),
product_photos_qty = sum(product_photos_qty),
product_name_length = mean(product_name_length),
product_weight_g = max(product_weight_g),
n_items = n()
%>%
) ungroup()
<- avaliacoes %>%
avaliacoes left_join(itens, by = c("order_id" = "order_id"))
# Selecionando as variáveis para o df final
# Retirando as avaliações neutras da análise e pedidos com datas suspeitas
<- avaliacoes %>%
avaliacoes select(
review_score,# sentimento, 1:3 negative e 4:5 positive
review_sentiment, # tempo (h) da postagem depois do pedido
survey_hours_after_asking, # tempo (dias) previsto de entrega
estimated_delivery_in_days, # tempo (dias) de entrega
delivery_in_days, # atraso (dias) na entrega. Negativo se não houve.
delivery_delay_in_days, # tempo (h) para aprovação do pedido
approval_delay_in_hours, # valor
payment_value, # número de parcelas
payment_installments, # forma de pagamento
payment_type, # tempo (h) do pedido de avaliação depois da entrega
survey_hours_after_arrival, # avaliação média (1:5) de cada produto
mean_prod_score, # valor do frete
freight_value, # preço do produto (pedido - frete)
price, # número de caracteres na descrição
product_description_length, # número de fotos
product_photos_qty, # número de caracteres no nome
product_name_length, # massa (g)
product_weight_g, # número de items do pedid
n_items, # categoria do produto (escolhida aleatoriamente se +1 item)
product_category_name %>%
) filter(survey_hours_after_asking <= 240) %>%
filter(survey_hours_after_arrival <= 240) %>%
mutate_if(is.character, as.factor)
2. Variável objetivo: review_sentiment
Nos 100 mil pedidos, a classificação mais comum foi 5 estrelas (57%), seguida de 4 estrelas (19%) e 1 estrela (11%). Para esta análise, considerei notas 4 e 5 como positivas, 1 e 2 como negativas e 3 como neutra. Retirei as avaliações neutras dos dados para a análise.
%>%
avaliacoes ggplot(aes(x = review_score)) +
geom_bar() +
labs(
x = "Classificação",
y = "Número de avaliações",
title = "Distribuição das notas",
subtitle = "Em 100 mil pedidos da Olist"
)
%>%
avaliacoes count(review_score) %>%
ungroup() %>%
mutate(proportion = round(n/sum(n), 3)) %>%
arrange(desc(review_score)) %>%
gt()
review_score | n | proportion |
---|---|---|
5 | 54826 | 0.643 |
4 | 18278 | 0.214 |
2 | 2903 | 0.034 |
1 | 9286 | 0.109 |
Criei a variável review_sentiment
usando as regras acima. Essa é a variável que vamos prever. O objetivo principal é identificar que pedidos tendem a gerar avaliações negativas.
%>%
avaliacoes ggplot(aes(x = review_sentiment)) +
geom_bar() +
labs(
x = "review_sentiment",
y = "Número de avaliações",
title = "Distribuição dos sentimentos",
subtitle = "Em 100 mil pedidos da Olist"
)
%>%
avaliacoes count(review_sentiment) %>%
ungroup() %>%
mutate(proportion = round(n/sum(n), 3)) %>%
arrange(desc(n)) %>%
gt()
review_sentiment | n | proportion |
---|---|---|
positive | 73104 | 0.857 |
negative | 12189 | 0.143 |
As classes são desbalanceadas, então a amostragem para construção dos conjuntos de treino, validação e teste será estratificada. Isso influencia também na interpretação das métricas do modelo. Um modelo que classifica todas as avaliações como positivas tem acurácia de 78%.
3. Variáveis preditoras (features)
3.1 Correlações
%>%
avaliacoes select_if(is.numeric) %>%
na.omit() %>%
ggcorr(label = T, hjust = 1)
A única correlação preocupante é entre payment_value
(valor do pedido + frete) e price
(soma dos valores dos produtos no pedido). Excluirei price
da análise.
3.2 Distribuições
a. Classificação média do produto: mean_prod_score
A nota média de cada produto nas avaliações. A ideia é que quanto menor a média, maior a tendência de que novas avaliações do mesmo produto tenham sentimento negativo, refletindo a qualidade do produto ou algum outro fator que cause insatisfação nos consumidores.
%>%
avaliacoes select(review_sentiment, mean_prod_score) %>%
rename(original = mean_prod_score) %>%
mutate(yeojohnson = predict(yeojohnson(original))) %>%
mutate(boxcox = predict(boxcox(original))) %>%
pivot_longer(c("original", "yeojohnson", "boxcox"),
names_to = "transformation",
values_to = "mean_prod_score") %>%
mutate(transformation = factor(
transformation,levels = c("original", "boxcox", "yeojohnson"),
ordered = T
%>%
)) ggplot(aes(x = mean_prod_score, fill = review_sentiment)) +
geom_histogram(show.legend = F) +
labs(
y = "Número de pedidos",
title = "Distribuição das notas dos produtos",
subtitle = "Em 100 mil pedidos da Olist"
+
) facet_grid(review_sentiment ~ transformation, scales = "free")
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
As transformações de Box Cox e Yeo Johnson não mudam significativamente a distribuição original, que parece ser levemente deslocada nos produtos dos pedidos com avaliações positivas.
b. Tempo entre email solicitando e postagem da avaliação: survey_hours_after_asking
O tempo entre solicitação da avaliação pela Olist e postagem da avaliação pelo usuário pode refletir o sentimento.
%>%
avaliacoes select(review_sentiment, survey_hours_after_asking) %>%
rename(original = survey_hours_after_asking) %>%
mutate(yeojohnson = predict(yeojohnson(original))) %>%
mutate(boxcox = predict(boxcox(original))) %>%
pivot_longer(c("original", "yeojohnson", "boxcox"),
names_to = "transformation",
values_to = "survey_hours_after_asking") %>%
mutate(transformation = factor(
transformation,levels = c("original", "boxcox", "yeojohnson"),
ordered = T
%>%
)) ggplot(aes(x = survey_hours_after_asking, fill = review_sentiment)) +
geom_histogram(show.legend = F) +
labs(
y = "Número de pedidos",
title = "Distribuição do tempo de resposta",
subtitle = "Em 100 mil pedidos da Olist"
+
) facet_grid(review_sentiment ~ transformation, scales = "free")
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
Transformar os dados deixa as distribuições mais simétricas. Aqui parece não haver diferença no tempo entre as classes de sentimento.
c. Valor do pagamento, método e parcelas: payment_value, payment_type e payment_installments
Quanto maior o valor do produto + frente, mais sensível o cliente a desvios de qualidade e atrasos.
%>%
avaliacoes filter(payment_value <= 2500) %>% # Filtrando apenas para plotar
select(review_sentiment, payment_value) %>%
rename(original = payment_value) %>%
mutate(yeojohnson = predict(yeojohnson(original))) %>%
mutate(boxcox = predict(boxcox(original))) %>%
pivot_longer(c("original", "yeojohnson", "boxcox"),
names_to = "transformation",
values_to = "payment_value") %>%
mutate(transformation = factor(
transformation,levels = c("original", "boxcox", "yeojohnson"),
ordered = T
%>%
)) ggplot(aes(x = payment_value, fill = review_sentiment)) +
geom_histogram(show.legend = F) +
labs(
y = "Número de pedidos",
title = "Distribuição dos valores dos pedidos",
subtitle = "Em 100 mil pedidos da Olist"
+
) facet_grid(review_sentiment ~ transformation, scales = "free")
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
A distribuição dos valores é similar entre as classes de sentimento das avaliações. As transformações deixam as distribuições mais simétricas. Os valores originais são truncados e alguns outliers alongam a cauda.
%>%
avaliacoes filter(!is.na(payment_type)) %>%
group_by(review_sentiment, payment_type) %>%
count(sort = T) %>%
ungroup() %>%
group_by(review_sentiment) %>%
mutate(n = n/sum(n)) %>%
mutate(payment_type = fct_reorder(payment_type, n)) %>%
ungroup() %>%
ggplot(aes(y = payment_type, x = n, fill = review_sentiment)) +
geom_col(show.legend = F) +
labs(
x = "Proporção de pedidos",
title = "Distribuição dos valores dos pedidos",
subtitle = "Em 100 mil pedidos da Olist"
+
) facet_wrap(~review_sentiment, ncol = 2)
Cartão de crédito é a forma de pagamento mais comum e as proporções são idênticas entre as duas classes de sentimento.
%>%
avaliacoes filter(!is.na(payment_installments), payment_installments > 0) %>%
group_by(review_sentiment, payment_installments) %>%
count(sort = T) %>%
ungroup() %>%
group_by(review_sentiment) %>%
mutate(n = n/sum(n)) %>%
mutate(payment_installments = fct_reorder(factor(payment_installments), n)) %>%
ungroup() %>%
ggplot(aes(y = payment_installments, x = n, fill = review_sentiment)) +
geom_col(show.legend = F) +
labs(
x = "Proporção de pedidos",
title = "Distribuição do número de parcelas",
subtitle = "Em 100 mil pedidos da Olist"
+
) facet_wrap(~review_sentiment, ncol = 2)
Os pedidos à vista são mais comuns. Não há diferenças entre as classes.
d. estimated_delivery_in_days, delivery_in_days, delivery_delay_in_days, approval_delay_in_hours
As variáveis deste grupo se referem aos prazos do pedido. Quanto maior o prazo e o atraso, maior a tendência de instatisfação do consumidor.
%>%
avaliacoes select(review_sentiment, estimated_delivery_in_days) %>%
rename(original = estimated_delivery_in_days) %>%
mutate(yeojohnson = predict(yeojohnson(original))) %>%
mutate(boxcox = predict(boxcox(original))) %>%
pivot_longer(c("original", "yeojohnson", "boxcox"),
names_to = "transformation",
values_to = "estimated_delivery_in_days") %>%
mutate(transformation = factor(
transformation,levels = c("original", "boxcox", "yeojohnson"),
ordered = T
%>%
)) ggplot(aes(x = estimated_delivery_in_days, fill = review_sentiment)) +
geom_histogram(show.legend = F) +
labs(
y = "Número de pedidos",
title = "Distribuição dos prazos de entrega",
subtitle = "Em 100 mil pedidos da Olist"
+
) facet_grid(review_sentiment ~ transformation, scales = "free")
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
O prazo estimado de entrega tem um leve desvio de simetria que é corrigido pelas transformações. Não há diferença notável entre as classes.
%>%
avaliacoes select(review_sentiment, delivery_in_days) %>%
rename(original = delivery_in_days) %>%
mutate(yeojohnson = predict(yeojohnson(original))) %>%
mutate(boxcox = predict(boxcox(original))) %>%
pivot_longer(c("original", "yeojohnson", "boxcox"),
names_to = "transformation",
values_to = "delivery_in_days") %>%
mutate(transformation = factor(
transformation,levels = c("original", "boxcox", "yeojohnson"),
ordered = T
%>%
)) ggplot(aes(x = delivery_in_days, fill = review_sentiment)) +
geom_histogram(show.legend = F) +
labs(
y = "Número de pedidos",
title = "Distribuição do tempo de entrega",
subtitle = "Em 100 mil pedidos da Olist"
+
) facet_grid(review_sentiment ~ transformation, scales = "free")
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
O tempo que a encomenda levou para chegar ao destino é levemente maior para os pedidos com avaliações negativas. As transformações corrigem o desvio de simetria.
%>%
avaliacoes select(review_sentiment, delivery_delay_in_days) %>%
rename(original = delivery_delay_in_days) %>%
mutate(yeojohnson = predict(yeojohnson(original))) %>%
# mutate(boxcox = predict(boxcox(original))) %>%
pivot_longer(c("original", "yeojohnson"),
names_to = "transformation",
values_to = "delivery_delay_in_days") %>%
mutate(transformation = factor(
transformation,levels = c("original", "yeojohnson"),
ordered = T
%>%
)) ggplot(aes(x = delivery_delay_in_days, fill = review_sentiment)) +
geom_histogram(show.legend = F) +
labs(
y = "Número de pedidos",
title = "Distribuição do atraso na entrega",
subtitle = "Em 100 mil pedidos da Olist"
+
) facet_grid(review_sentiment ~ transformation, scales = "free")
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
Os pedidos com sentimento negativo têm atrasos mais longos. Não apliquei a transformação de Box Cox por haver valores negativos.
%>%
avaliacoes filter(!is.na(approval_delay_in_hours), approval_delay_in_hours > 0) %>%
select(review_sentiment, approval_delay_in_hours) %>%
rename(original = approval_delay_in_hours) %>%
mutate(yeojohnson = predict(yeojohnson(original))) %>%
mutate(boxcox = predict(boxcox(original))) %>%
pivot_longer(c("original", "yeojohnson", "boxcox"),
names_to = "transformation",
values_to = "approval_delay_in_hours") %>%
mutate(transformation = factor(
transformation,levels = c("original", "boxcox", "yeojohnson"),
ordered = T
%>%
)) ggplot(aes(x = approval_delay_in_hours, fill = review_sentiment)) +
geom_histogram(show.legend = F) +
labs(
y = "Número de pedidos",
title = "Distribuição do tempo para aprovação do pedido",
subtitle = "Em 100 mil pedidos da Olist"
+
) facet_grid(review_sentiment ~ transformation, scales = "free")
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
A distribuição do tempo necessário para aprovação do pedido é a mesma entre as classes.
e. freight_value, product_description_length, product_photos_qty, n_items, product_category_name
As variáveis deste grupo indicam características dos produtos do pedido. Por exemplo, quanto menor a descrição do produto, maior a possibilidade de insatisfação por discrepâncias entre o entregue e o esperado.
%>%
avaliacoes filter(!is.na(freight_value)) %>%
select(review_sentiment, freight_value) %>%
rename(original = freight_value) %>%
mutate(yeojohnson = predict(yeojohnson(original))) %>%
pivot_longer(c("original", "yeojohnson"),
names_to = "transformation",
values_to = "freight_value") %>%
mutate(transformation = factor(
transformation,levels = c("original", "yeojohnson"),
ordered = T
%>%
)) ggplot(aes(x = freight_value, fill = review_sentiment)) +
geom_histogram(show.legend = F) +
labs(
y = "Número de pedidos",
title = "Distribuição do valor do frete",
subtitle = "Em 100 mil pedidos da Olist"
+
) facet_grid(review_sentiment ~ transformation, scales = "free")
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
Os valores do frete são ligeiramente maiores nos pedidos classificados como negativos.
%>%
avaliacoes filter(!is.na(product_description_length)) %>%
select(review_sentiment, product_description_length) %>%
rename(original = product_description_length) %>%
mutate(yeojohnson = predict(yeojohnson(original))) %>%
mutate(boxcox = predict(boxcox(original))) %>%
pivot_longer(c("original", "yeojohnson", "boxcox"),
names_to = "transformation",
values_to = "product_description_length") %>%
mutate(transformation = factor(
transformation,levels = c("original", "boxcox", "yeojohnson"),
ordered = T
%>%
)) ggplot(aes(x = product_description_length, fill = review_sentiment)) +
geom_histogram(show.legend = F) +
labs(
y = "Número de pedidos",
title = "Distribuição do número de caracteres na descrição do produto",
subtitle = "Em 100 mil pedidos da Olist"
+
) facet_grid(review_sentiment ~ transformation, scales = "free")
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
A distribuição do número de caracteres é a mesma entre as classes.
%>%
avaliacoes filter(!is.na(product_photos_qty)) %>%
group_by(review_sentiment, product_photos_qty) %>%
count(sort = T) %>%
ungroup() %>%
group_by(review_sentiment) %>%
mutate(n = n/sum(n)) %>%
arrange(desc(n)) %>%
top_n(9) %>%
mutate(product_photos_qty = fct_reorder(factor(product_photos_qty), n)) %>%
ungroup() %>%
ggplot(aes(y = product_photos_qty, x = n, fill = review_sentiment)) +
geom_col(show.legend = F) +
labs(
x = "Proporção de pedidos",
title = "Distribuição da soma do número de fotos nos produtos de um pedido",
subtitle = "Em 100 mil pedidos da Olist"
+
) facet_wrap(~review_sentiment, ncol = 2, scales = "free_y")
## Selecting by n
A maioria dos pedidos têm apenas 1 foto e não há diferenças significativas na distribuição da quantidade de fotos entre as classes de sentimento.
4. Análises
4.1 Modelo logístico com regularização
Dividi o conjunto de dados em dois subconjuntos: treino, com 80% dos dados e teste, com os 20% restantes. Como as classes de sentimento são desbalanceadas, fiz uma amostragem estratificada.
set.seed(2021)
<- initial_split(avaliacoes, prop = 0.8, strata = review_sentiment)
avaliacoes_split <- training(avaliacoes_split)
avaliacoes_treino <- testing(avaliacoes_split) avaliacoes_test
Em seguida, criei um grupo de conjuntos de validação cruzada com 10 folds para comparar os modelos e ajustar os hiperparâmetros. A amostragem também foi estratificada.
set.seed(2021)
<- vfold_cv(avaliacoes_treino, v = 10, strata = review_sentiment) avaliacoes_validacao
Seguindo o workflow do tidymodels, criei uma receita para indicar a fórmula do modelo e os ajustes necessários aos dados. Criei um nível “unknown” para os fatores com níveis omitidos, criei variáveis dummy para todas as variáveis categóricas, imputei a mediana às variáveis numéricas, transformei seguindo Yeo Johnson, criei termos de interações entre as variáveis provavelmente mais importantes, padronizei e centralizei os valores.
<-
receita_dados recipe(
~ survey_hours_after_asking + estimated_delivery_in_days + delivery_in_days + delivery_delay_in_days + approval_delay_in_hours + payment_value + payment_installments + payment_type + survey_hours_after_arrival + mean_prod_score + freight_value + product_description_length + product_photos_qty + n_items,
review_sentiment data = avaliacoes_treino
%>%
) step_unknown(all_nominal_predictors()) %>%
step_impute_median(all_numeric_predictors()) %>%
step_YeoJohnson(all_numeric_predictors()) %>%
step_interact(term = ~ payment_value:mean_prod_score + mean_prod_score:delivery_delay_in_days) %>%
step_normalize(all_numeric_predictors()) %>%
step_dummy(all_nominal(),-all_outcomes())
O primeiro modelo é uma regressão logística com penalizacão. O tipo (Lasso ou Ridge) e o lâmbda serão ajustados via grid search.
<- logistic_reg(penalty = tune(), mixture = tune()) %>%
log_mod set_engine("glmnet", family = "binomial")
Criando um workflow com a receita e o modelo.
<- workflow() %>%
log_wf add_recipe(receita_dados) %>%
add_model(log_mod)
Ajustando o lâmbda e o tipo de penalização com grid search e cross-validation. O grid aqui é uma combinação simples entre lâmbda (30) e tipo de penalização (2). Assim, são 60 modelos para cada fold.
<-
log_mod_res %>%
log_wf tune_grid(
avaliacoes_validacao,grid = crossing(
penalty = 10 ^ seq(-4,-1, length.out = 30),
mixture = 0:1
),control = control_grid(
save_pred = T,
save_workflow = F,
extract = extract_model
),metrics = metric_set(pr_auc)
)
Plotando o resultado do grid search.
autoplot(log_mod_res)
O modelo Lasso com penalização 1e-04 foi o melhor. Finalizando o workflow com o melhor modelo:
<- log_wf %>%
log_mod_best finalize_workflow(select_best(log_mod_res))
Fazendo o último ajuste no melhor modelo: ajustando o modelo com todos os dados de treino e calculando as métricas (acurácia e ROC) no conjunto de testes.
<- log_mod_best %>%
log_mod_best_fit last_fit(avaliacoes_split)
Plotando as variáveis mais importantes:
%>%
log_mod_best fit(avaliacoes_treino) %>%
pull_workflow_fit() %>%
vip(geom = "point") +
labs(title = "Variáveis mais importantes")
A maioria das variáveis contribuiu significativamente para o ajuste do modelo. A variável mean_prod_score
(a média das notas dos produtos no pedido) foi a mais importante. Isso indica que a qualidade dos produtos é o fator mais importante. Em seguida, a interação entre qualidade do produto e atraso na entrega.
As métricas de ajuste do modelo:
%>%
log_mod_best_fit collect_metrics() %>%
gt()
.metric | .estimator | .estimate | .config |
---|---|---|---|
accuracy | binary | 0.9094906 | Preprocessor1_Model1 |
roc_auc | binary | 0.9046793 | Preprocessor1_Model1 |
A acurácia foi de 90% e a área sob a curva ROC também 90%.
<- log_mod_best_fit %>%
log_conf_mat collect_predictions() %>%
conf_mat(review_sentiment, .pred_class)
log_conf_mat
## Truth
## Prediction negative positive
## negative 1261 367
## positive 1177 14254
Apesar da acurácia de 90%, a matriz de confiança indica que esse valor elevado se deu principalmente devido à diferença no número de pedidos entre as classes. Para o negócio, o valor está em identificar corretamente os pedidos com sentimento negativo. No conjunto de testes, havia 2438 pedidos avaliados negativamente. Desses, o modelo foi capaz de prever corretamente 1261 (51.72%) das avaliações negativas. As avaliações positivas foram identificadas corretamente em 97% dos casos.
Variáveis como a histórico de avaliações do consumidor e um conjunto maior de dados provavelmente melhorariam o modelo. Do ponto de vista do negócio, se o custo de falso negativos não for um impeditivo, é possível aumentar a sensibilidade ajustando a probabilidade mínima para que uma avaliação seja prevista como negativa:
<- log_mod_best_fit %>%
log_conf_mat_new collect_predictions() %>%
mutate(new_pred = factor(if_else(
> 0.2, "negative", "positive"
.pred_negative %>%
))) conf_mat(review_sentiment, new_pred)
log_conf_mat_new
## Truth
## Prediction negative positive
## negative 1838 1833
## positive 600 12788
Diminuindo a probabilidade para 0.2, o modelo passa a identificar corretamente 75.39% das avaliações negativas. Em contrapartida, as avaliações positivas seriam identificadas corretamente em 87% dos casos. O custo dos novos falso negativos é impeditivo, mesmo com o aumento dos negativos verdadeiros? Desconsiderando o fator financeiro, provavelmente não. Por exemplo, se o objetivo for fazer uma campanha via emails para melhorar a satisfação dos clientes, não há problema em tratar os clientes satisfeitos como insatisfeitos. Porém, se a campanha envolver telefonemas ou outro acompanhamento mais caro, pode ser que o custo dos falsos negativos se torne um problema.
4.2 XGBoost
Para tentar melhorar as previsões de negativos verdadeiros sem aumentar os falsos negativos, construí um modelo XGBoost para classificação usando a mesma receita do modelo logístico acima: divisão 80/20 treino e testes, 10-fold cross-validation para ajustar os hiperparâmetros e um grid search com tamanho 10 e seguindo o esquema latin hypercube, já que o modelo XGBoost leva um tempo consideravalmente maior para rodar.
::registerDoParallel(cores = 12)
doParallel<- boost_tree(
xgb_mod mtry = tune(),
trees = tune(),
tree_depth = tune(),
learn_rate = tune(),
min_n = tune(),
loss_reduction = tune(),
sample_size = tune()
%>%
) set_engine("xgboost") %>%
set_mode("classification")
<- workflow() %>%
xgb_wf add_recipe(receita_dados) %>%
add_model(xgb_mod)
<- grid_latin_hypercube(
xgb_grid tree_depth(),
min_n(),
loss_reduction(),
learn_rate(range = c(0.01, 0.3), trans = NULL),
trees(range = c(200, 800)),
sample_size = sample_prop(),
finalize(mtry(), avaliacoes_treino),
size = 10
)
<- tune_grid(
xgb_res
xgb_wf,resamples = avaliacoes_validacao,
grid = xgb_grid,
metrics = metric_set(pr_auc),
control = control_grid(
save_pred = T,
save_workflow = F
) )
autoplot(xgb_res)
Os hiperparâmetros pouco influenciaram na acurácia do modelo XGBoost. O próximo passo é finalizar o workflow e ajustar o modelo com todo o conjunto de treino e fazer as previsões com o de testes.
<- xgb_wf %>%
xgb_mod_best finalize_workflow(select_best(xgb_res))
<- xgb_mod_best %>%
xgb_mod_best_fit last_fit(avaliacoes_split)
As variáveis mais importantes são as mesmas do modelo logístico.
%>%
xgb_mod_best fit(avaliacoes_treino) %>%
pull_workflow_fit() %>%
vip(geom = "point") +
labs(title = "Variáveis mais importantes")
## [10:15:27] WARNING: amalgamation/../src/learner.cc:1095: Starting in XGBoost 1.3.0, the default evaluation metric used with the objective 'binary:logistic' was changed from 'error' to 'logloss'. Explicitly set eval_metric if you'd like to restore the old behavior.
<- xgb_mod_best_fit %>% collect_predictions() preds
%>%
xgb_mod_best_fit collect_metrics() %>%
gt()
.metric | .estimator | .estimate | .config |
---|---|---|---|
accuracy | binary | 0.9252008 | Preprocessor1_Model1 |
roc_auc | binary | 0.9226557 | Preprocessor1_Model1 |
A acurácia do modelo é de 92%. Como as classes previstas são desbalanceadas, esse número não nos diz muito. Para o problema de negócios que queremos resolver, a quantidade de negativos encontrados (recall) e previstos corretamente (precision) nos interessam mais.
<- preds %>%
xgb_conf_mat conf_mat(review_sentiment, .pred_class)
xgb_conf_mat
## Truth
## Prediction negative positive
## negative 1342 180
## positive 1096 14441
A matriz de confusão indica que o modelo XGBoost detecta os negativos de maneira ligeiramente mais eficiente: 55.05% das avaliações negativas identificadas corretamente. As avaliações positivas foram identificadas corretamente em 98.77% dos casos.
<- preds %>%
xgb_conf_mat_new mutate(new_pred = factor(if_else(.pred_negative > 0.2, "negative", "positive"))) %>%
conf_mat(review_sentiment, new_pred)
xgb_conf_mat_new
## Truth
## Prediction negative positive
## negative 1772 1223
## positive 666 13398
A matriz de confusão com o limite modificado para 0.2 mostra que o modelo XGBoost consegue identificar 72.68% das avaliações negativas. Mais uma vez, é preciso entender o que se pretende com o modelo no nível do negócio para identificar o ponto de corte com melhor custo-benefício.
bind_rows(
%>%
preds roc_curve(review_sentiment, .pred_negative) %>%
mutate(Modelo = "XGBoost"),
%>%
log_mod_best_fit collect_predictions() %>%
roc_curve(review_sentiment, .pred_negative) %>%
mutate(Modelo = "Logístico")
%>%
) mutate(specificity = 1 - specificity) %>%
rename(`Negativo verdadeiro` = sensitivity, `Falso negativo` = specificity) %>%
pivot_longer(
c("Falso negativo", "Negativo verdadeiro"),
names_to = "metric",
values_to = "value"
%>%
) mutate(metric = factor(metric), Modelo = factor(Modelo)) %>%
ggplot(aes(x = .threshold, y = value, col = Modelo)) +
geom_path() +
geom_vline(xintercept = 0.5,
col = "red",
linetype = "dotted") +
facet_wrap(~ metric)
Os dois modelos apresentam desempenho semelhante na detecção de negativos verdadeiros, com leve vantagem para o modelo logístico. Em contrapartida, o modelo logístico resulta em uma quantidade maior de falsos negativos. A escolha do modelo depende da tolerância do negócio aos falsos negativos.
Abaixo o código de um ensemble entre os dois modelos, mas as previsões não melhoram. Deixei apenas como referência. Caso queira testar, a métrica nos grid search tem que ser alterada para roc_auc.
<- log_mod_res %>% filter_parameters(parameters = select_best(log_mod_res))
log_best <- xgb_res %>% filter_parameters(parameters = select_best(xgb_res))
xgb_best
<- stacks() %>%
log_xgb_blend add_candidates(log_best) %>%
add_candidates(xgb_best) %>%
blend_predictions()
<- log_xgb_blend %>%
log_xgb_fit fit_members()
<- log_xgb_fit %>%
blend_pred predict(avaliacoes_test, type = "class", members = TRUE)
%>%
log_xgb_fit predict(avaliacoes_test, type = "class", members = TRUE) %>%
bind_cols(avaliacoes_test) %>%
conf_mat(review_sentiment, .pred_class_xgb_best_1_09)