我正在做一个项目来尝试预测哪些用户最有可能订阅我们的服务。我正在使用 R 并且正在处理一个数据框，该数据框包含用户的电子邮件地址、有关他们过去购买的信息（订单数量和产生的收入）、他们如何与我们的网站交互（触发了不同的事件）以及他们是否已订阅。我正在使用这些数据来训练和测试不同的算法。我已经将插入符号与 knn、lda、cart 和 nnet 一起使用。
我已经能够了解我的模型有多准确，但这并不能帮助我知道向谁推销。当我将新数据插入我的模型时，我想知道它认为哪些用户最有可能订阅，并给我他们相关的电子邮件地址。我已经查看了所有内容，但找不到任何可以帮助我将预测与电子邮件地址配对的内容。任何帮助将非常感激。
PS。
我没有使用电子邮件地址对数据进行分类。我只是让他们将一行数据与用户相关联。我必须摆脱它们以通过训练和测试算法运行它，这就是我遇到的问题，即知道哪些预测数据与哪个电子邮件地址以及哪个用户相关联。
哇，真是个好问题！对于在营销职能中使用数据的任何人来说，这都是一项关键任务。
首先，我将解决您关于将预测与电子邮件配对的问题。您的电子邮件用作唯一标识符。当您拆分数据集时，您必须保留电子邮件并将其从预测中抑制，并使用它来匹配/比较验证数据。
如果这些是新的预测，您可以在数据中创建一个包含“预测”值的新列。这个过程的细节将更适合另一个社区，可能是 StackOverflow。
其次，我想谈谈你想要达到的目标。
我认为有两个问题可以通过你已经完成的工作来解决这个问题：
确定谁最有可能订阅，并将您的精力集中在创建培育活动以“温暖”这些潜在客户。最终目标是获得订阅。
在这里，您将使用您提到的那些“事件”。你到底有什么？在过去。我刚刚转储了网络活动数据并开始使用它。您必须设计许多功能来捕获您的网络活动不会报告的信息（这些可能是登录次数、结帐次数、自上次访问以来的时间，这是您需要发挥创意的地方）。
获取这些数据并尝试预测谁可能订阅。在某些销售行业中，这被称为领先分数。
由于您使用的是 R，您可以尝试使用XGBoost- https://cran.r-project.org/web/packages/xgboost/vignettes/xgboostPresentation.html。由于您正在尝试预测二元变量，因此您可以使用他们的决策树。
这将需要一段时间，所以如果您在第一周（或第一个月）没有将其投入生产，请不要感到沮丧。这里有一些阅读：
https://datastories.com/gallery/predictive-user-scoring-example
确定您想要获取的客户类型，并专注于开展活动以吸引这些类型的客户。这里的最终目标是获得优质客户。
这比机器学习更具营销和战略意义。不要误会我的意思，识别集群有机器学习。这是我使用的一个很好的例子：http ://www.kimberlycoffey.com/blog/2016/8/k-means-clustering-for-customer-segmentation 。
一旦您确定了不同的细分市场及其表现出的行为，您就必须与其他利益相关者合作并尝试确定您想要什么样的客户？与每年进行五次小额购买的客户相比，获得一年购买一次大宗商品的客户有什么好处？您必须花时间确定最有价值的客户/潜在客户，并围绕此制定策略。
在选择任何特定方法之前创建一些数据的可视化是一个好主意。从这里开始，您可能会看到一些有用的趋势！
对于初学者，我可能会从逻辑回归中创建一个二元分类器。提供一部分用于训练的数据，看看它在其余部分的表现如何。这是最简单的方法之一，可以很好地工作。
您可能希望从电子邮件地址中提取某些特征：
像提供商、名称等。只有电子邮件地址元信息*可能也是如此。
如果您不想使用电子邮件地址而只是映射它，您可以简单地使用条目映射到电子邮件地址。
如果您对数据进行聚类并检查每个集群的 RFM（新近度、频率、货币）值或订阅比率，这将是有意义的。然后根据您的预算定位最佳集群并检查其电子邮件地址域或位置（来自 IP）。然后是对您的营销计划的讨论和优化。