Kolektivní inference

Kolektivní inference je postup, při němž se uzly v propojených datech označují současně, čímž se snižuje chyba klasifikace.

V tomto cvičení provedeme kolektivní inferenci a podíváme se, jaký vliv má na předpověď odchodu zákazníků pomocí metriky AUC. AUC neboli plocha pod ROC křivkou se běžně používá k hodnocení výkonnosti klasifikačních metod.

AUC = pravděpodobnost, že model zařadí náhodně vybraného zákazníka, který odejde, výše než náhodně vybraného zákazníka, který neodejde
AUC = číslo mezi 0,5 a 1, přičemž vyšší hodnota znamená lepší model

Zvyšuje kolektivní inference hodnotu AUC?

Toto cvičení je součástí kurzu

Prediktivní analytika pomocí síťových dat v R

Zobrazit kurz

Pokyny k cvičení

Vypočítej AUC klasifikátoru relačních sousedů zavoláním funkce auc z balíčku pROC – jako skutečné hodnoty použij označení odchodu customers$churn a jako predikované hodnoty vektor churnProb.
Napiš smyčku for, ve které desetkrát spustíš pravděpodobnostní klasifikátor relačních sousedů a výsledek v každé iteraci znovu přiřadíš do vektoru churnProb.
Znovu vypočítej AUC s aktualizovaným vektorem churnProb.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Load the pROC package and data
library(pROC)
load("Nex132.RData")

# Compute the AUC
___(customers$churn, as.vector(churnProb))

# Write a for loop to update the probabilities
___(i in 1:10){
 ___ <- as.vector((AdjacencyMatrix %*% churnProb) / neighbors)
}

# Compute the AUC again
___(customers$churn, as.vector(___))

Upravit a spustit kód