Inférence collective

L'inférence collective est une procédure qui permet d'étiqueter simultanément des nœuds dans des données interconnectées afin de réduire l'erreur de classification.

Dans cet exercice, vous allez effectuer une inférence collective et observer son effet sur la prédiction du désabonnement à l'aide de la mesure de performance AUC. L'AUC, ou aire sous la courbe ROC, est couramment utilisée pour évaluer la performance des techniques de classification.

AUC = probabilité qu'un client désabonné choisi au hasard soit classé plus haut par le modèle qu'un client non désabonné choisi au hasard
AUC = nombre entre 0,5 et 1, où une valeur plus élevée indique un meilleur modèle

L'inférence collective augmente-t-elle la valeur de l'AUC?

Cette activité fait partie du cours

Analytique prédictive avec des données en réseau dans R

Voir le cours

Instructions de l’exercice

Calculez l'AUC du classificateur des voisins relationnels en appelant la fonction auc du paquet pROC, en utilisant les étiquettes réelles de désabonnement customers$churn et churnProb comme valeur prédite.
Écrivez une boucle for où vous appliquez dix fois le classificateur probabiliste des voisins relationnels, et réassignez la valeur au vecteur churnProb à chaque itération.
Calculez de nouveau l'AUC en utilisant le vecteur churnProb mis à jour.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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(___))

Modifier et exécuter le code