Inferensi Kolektif

Inferensi kolektif adalah prosedur untuk melabeli node secara simultan pada data yang saling terhubung guna menurunkan galat klasifikasi.

Dalam latihan ini, Anda akan melakukan inferensi kolektif dan melihat dampaknya terhadap prediksi churn menggunakan ukuran kinerja AUC. AUC, atau area di bawah kurva ROC, umum digunakan untuk menilai kinerja teknik klasifikasi.

AUC = probabilitas bahwa churner yang dipilih secara acak diperingkat lebih tinggi oleh model dibandingkan non-churner yang dipilih secara acak
AUC = angka antara 0,5 dan 1, di mana angka yang lebih tinggi berarti model lebih baik

Apakah inferensi kolektif meningkatkan nilai AUC?

Latihan ini adalah bagian dari kursus

Analitik Prediktif menggunakan Data Berjejaring di R

Lihat Kursus

Petunjuk latihan

Hitung AUC dari relational neighbor classifier dengan memanggil fungsi auc dari paket pROC, menggunakan label churn aktual customers$churn dan churnProb sebagai nilai prediksi.
Tulis for loop yang menerapkan probabilistic relational neighbor classifier sebanyak sepuluh kali, dan setiap iterasi menugaskan kembali nilainya ke vektor churnProb.
Hitung kembali AUC menggunakan vektor churnProb yang telah diperbarui.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# 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(___))

Edit dan Jalankan Kode