शुरू करेंमुफ़्त में शुरू करें

Collective Inferencing

Collective inferencing एक ऐसी प्रक्रिया है जिसमें आप आपस में जुड़े डेटा के नोड्स को एक साथ लेबल करते हैं ताकि classification error कम हो.

इस अभ्यास में आप collective inferencing करेंगे और churn prediction पर इसके प्रभाव को AUC performance measure के जरिए देखेंगे. AUC, यानी ROC curve के नीचे का क्षेत्रफल, आमतौर पर classification techniques के प्रदर्शन को आँकने के लिए उपयोग होता है.

  • AUC = यह प्रायिकता कि मॉडल एक रैंडम चुने गए churner को एक रैंडम non-churner से ऊँचा रैंक करेगा
  • AUC = 0.5 और 1 के बीच की संख्या, जहाँ बड़ा मान बेहतर मॉडल को दर्शाता है

क्या collective inferencing से AUC मान बढ़ता है?

यह अभ्यास पाठ्यक्रम का हिस्सा है

R में नेटवर्क्ड डेटा का उपयोग करके Predictive Analytics

पाठ्यक्रम देखें

अभ्यास निर्देश

  • pROC पैकेज के auc फंक्शन को कॉल करके relational neighbor classifier का AUC निकालें, जहाँ actual churn लेबल customers$churn हों और predicted मान churnProb हों.
  • एक for लूप लिखें जिसमें आप probabilistic relational neighbor classifier को दस बार लागू करें, और हर iteration में मान को फिर से churnProb वेक्टर को असाइन करें.
  • अपडेट हुए churnProb वेक्टर का उपयोग करके AUC दोबारा निकालें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# 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(___))
कोड संपादित करें और चलाएँ