Collective Inferencing

Collective Inferencing ist ein Verfahren, um Knoten in vernetzten Daten gleichzeitig zu labeln und so den Klassifikationsfehler zu reduzieren.

In dieser Übung führst du Collective Inferencing durch und siehst den Effekt auf die Churn-Vorhersage anhand des Leistungsmaßes AUC. AUC, die Fläche unter der ROC-Kurve, wird häufig verwendet, um die Leistung von Klassifikationsverfahren zu beurteilen.

AUC = Wahrscheinlichkeit, dass ein zufällig gewählter Churner vom Modell höher eingestuft wird als ein zufällig gewählter Nicht-Churner
AUC = Zahl zwischen 0,5 und 1; je höher, desto besser das Modell

Erhöht Collective Inferencing den AUC-Wert?

Diese Übung ist Teil des Kurses

Predictive Analytics mit vernetzten Daten in R

Kurs anzeigen

Anleitung zur Übung

Berechne die AUC des relational neighbor classifier, indem du die Funktion auc aus dem Paket pROC mit den tatsächlichen Churn-Labels customers$churn und churnProb als vorhergesagtem Wert aufrufst.
Schreibe eine for-Schleife, in der du den probabilistic relational neighbor classifier zehnmal anwendest und in jeder Iteration den Wert wieder dem Vektor churnProb zuweist.
Berechne die AUC erneut mit dem aktualisierten Vektor churnProb.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# 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(___))

Code bearbeiten und ausführen