变量选择
通过网络数据获取，得到游戏数据指标如下所示：
游戏数据分析的整体思路
第一步；数据文件获取（1.导入数据 2.查询结构 3.更改结构 4.汇总变量信息）； 第二步；数据预处理（1.剔除缺失值2.变量转换与衍生 3.读出处理好的数据观察和可视化4.汇总变量类型）； 第三步；数据挖掘（1.逻辑回归 2. 决策树 3.随机森林 4.三种模型比较验证）； 第四步；展示与解读（1.描述统计分析 2.描述及模型解读）
提出问题
（1）问题：游戏app是否高频使用用户的影响因素是什么？
（2）游戏产品的高频使用用户的定义：是否游戏高频用户的定义：对游戏使用量进行中位数划分，如果大于中位数是高频用户，低于中位数是低频用户
上述数据源可用于分析的问题面有： (0): 高频游戏用户和低频游戏用户的影响因素是什么 （1）高频用户集中的游戏平台有哪些 （2）高频用户集中的游戏类型是什么，可针对市场高频用户的喜好开发热款游戏 （3）高频用户集中的销售额主要占比市场，可考虑游戏产品的设计主要面向哪个市场 解决商务问题和业务决策的应用点有： （1）游戏投资商可对高频用户的游戏类型进行投资 （2）游戏产品的市场面对群体的普及主要针对哪个市场 （3）游戏产品的市场面对哪类游戏受喜好的人多
分析目标:高频游戏用户的影响因素是什么？ 数据选择：2010~2016年的游戏数据 变量指标选择：游戏名称、平台名称、发布年份、游戏类型、发布公司、北美销售额、欧洲销售额、日本销售额、其它地区销售额、全球销售额、评价分数、游戏评价量、用户评分、游戏使用人数、游戏开发商。
变量相关性：选择分析变量相关性主要研究以下9个变量间的相关性情况： 北美销售额 欧洲销售额 日本销售额 其它地区销售额 全球销售额 评价分数 评价量 用户评分 用户使用量 主要市场 通过分析得到，用户使用量和游戏评论量、评论分数，全球销售额存在相关。和其它地区的销售额无关，和用户的评分相关性较低。 得到相关系数图如下，其中除对角线以外，颜色越靠近深蓝色，表示相关性越强。其中用户使用量和用户得分与日本销售额相关性较低。其余都存在一定程度的相关性。
用户相关性计算，选择的是皮尔逊相关系数，主要选择的是数值型数据进行相关性分析。
代码语言：javascript复制str(data)
xgdata=sqldf("select NA_Sales,EU_Sales,JP_Sales,Other_Sales,Global_Sales,Critic_Score,Critic_Count,User_Score
,User_Count from data")
str(xgdata)
mf_cor=cor(xgdata)###求得相关系数
cor.plot <- corrplot(corr = mf_cor)
通过相关系数行最后一行的图形可以看出，用户是否高频使用情况和评论量有关，其次是评论用户数有一定的影响。
数据处理 1. 在Tableau和R中分析，哪些属性值可以不分析（删除） 无关变量: 游戏名称 /用户得分,这两个变量属性属于无关变量，可进行删除。 2. 哪些属性值需要派生 研究对象为： （1）是否高频用户， 其中高频用户属于衍生变量，其定义为：对游戏用户使用量进行中位数划分，如果大于中位数是高频用户，低于中位数是低频用户。 （2）游戏主要市场： 对北美、欧洲、日本，其它销售额进行比较判断，取最大的销售额作为主要市场，并以最大销售额的市场作为主要市场。 3. 哪些属性值需要补充缺失值 其中缺失值不需要进行补充，由于数据的业务背景了解不够，仅只对数据中的缺失值进行删除。 4. 并将数据集分为“训练”“测试”“验证（如果必要的话）”三个子集。 数据训练集和测试集划分标准以0.8和0.2进行随机抽样，保证数据的无序抽取。划分代码如下：
其中处理数据的方法有随机森林，决策树、逻辑斯蒂回归， 模型精确度用AUC进行衡量，得到混淆矩阵，得出召回率，对比进行分析发现决策树模型效果较好。 使用测试集数据对综合预测模型，评估精确度、召回率。
模型的优化方法主要可在以下几个方面进行： 1. 获取更多的游戏指标数据
2. 对游戏数据的训练集样本增加，保证模型的训练精度
代码语言：javascript复制glm.full=glm(High_frequency_usage~.,family=binomial(link="logit"),data_train)
glm.null=glm(High_frequency_usage~1,family=binomial(link="logit"),data_train)
summary(glm.full)
glm.aic=step(glm.full,trace=F,test="LRT")
summary(glm.aic)
glm.bic=step(glm.full,k=log(n),trace=F,test="LRT")
glm.bic <-step(glm.full,k=log(n),trace=F,test="LRT")
n=dim(a)[1]
summary(glm.bic)
library(pROC) #画ROC曲线和计算AUC所用到的pROC包
pred.aic <- glm.aic$fitted.values #AIC模型预测值（出险概率）
roc.aic <- roc(a$LossClass,pred.aic) #AIC模型ROC曲线取值
plot(roc.aic,print.auc=T,print.auc.x=0.9,print.auc.y=0.8,print.thres=T,print.auc.cex=2.5,print.thres.cex=1.5,col="pink",main="AIC模型的ROC曲线")# 选择AIC模型，在ROC曲线上标注AUC值和最佳阈值
##混淆矩阵
thres <- 0.318 #最佳阈值
table(a$LossClass,1*(pred.aic>thres)) #混淆矩阵
