チャーンモデリングのタスクについて、私は検討していました：
その根拠は、サブスクライバの母集団が均一であることを証明するものは何もないため、データ生成プロセスが異なる「グループ」では異なる可能性があると仮定するのが妥当です
私の質問は、それは適切な方法ですか？それは何かに違反していますか、それとも何らかの理由で悪いと考えられていますか？もしそうなら、なぜですか？
そうでない場合、その問題に関するいくつかのベストプラクティスを共有しますか？2つ目は、モデルツリーよりも事前クラスタリングを行う方が一般に良いか悪いかです（Witten、Frankで定義されているように、葉にモデルがある分類/回帰ツリー。 「通常の」クラスタリングよりも優れている場合はidk。
回答:
コメントするには長すぎる2つのポイント：
純粋なクラスター（つまり、1つのクラスのケースのみを含む）自体は問題ありません。いわゆる1クラス分類子は、他のすべてのクラスから独立して各クラスをモデル化します。彼らはこれに完全に対処できます。
ただし、クラスが完全に分離された方法でデータがクラスター化される場合、つまりクラスターがかなり純粋である場合、これは非常に強力な構造が存在することを意味します。これは、クラスター分析で使用される同じ距離測定に基づく最近傍法などの特定のタイプの分類子がデータに適していることを意味します。
他の可能性、つまりクラスターが純粋ではないが、クラスターと分類方法の組み合わせがうまく機能する状況は、ツリーに適しています。ツリーはクラスタリングの一部を実行します（純粋なノードは問題とは見なされません）。ここでは、XOR問題の2クラスタバージョンの人工的な例を示します。
純粋なクラスターを持つリスクを冒すことなくクラスター情報を含める別の方法は、特徴生成ステップとしてクラスタリングを使用することです。新しい分析としてクラスター分析の結果をデータマトリックスに追加します。
あなたはそれが何らかの理由で悪いかどうかを尋ねます：1つの落とし穴は、このアプローチが多くの自由度を持つモデルにつながるということです。オーバーフィットしないように特に注意する必要があります。
モデルベースのツリーを見てください。たとえば、ここでのmbqの答えは、あなたが探しているものに非常に近い概念を実装していると思います。それらはフォレストとしても実装できます：RパッケージmobForestなど。
私は最近同様の問題を扱っています。分類器を構築するための何百もの機能があります。さまざまなモデル（例：ランダムフォレスト、グラディエントブーストなど）を試した後でも、精度/再現率が低くなりました。だから私はいくつかのクラスタリングを行ってから、異なるグループで分類子を構築しようとしています。私の懸念は、Anony-Mousseが言うように、クラスタリングですべての情報を使用する場合、分類子からより多くの情報をどのように取得できるでしょうか？だからここに私がやるつもりです：
複雑さを軽減するのにも役立つと思います。
まあ、あなたのクラスターが本当に良いなら、あなたの分類子はがらくたになります。彼らは彼らの訓練データに十分な転換がないので。
クラスターが完璧、つまり純粋であるとしましょう。もはやそこに分類器を適切に訓練することさえできません。分類子には正と負の例が必要です！
ランダムフォレストは、正反対のことを行うのに非常に成功しています。彼らはデータのランダムなサンプルを取り、その上で分類器を訓練し、訓練された分類器のすべてを使用します。
機能する可能性があるのは、クラスタリングを使用し、少なくとも十分に一致しない場合は、クラスターのすべてのペアで分類子をトレーニングすることです（クラスが2つのクラスターに分割されている場合でも、そこで分類子をトレーニングすることはできません！）