Probabilistic Relational Neighbor Classifier
In questo esercizio applicherai il probabilistic relational neighbor classifier per inferire le probabilità di churn a partire dalla probabilità di churn preliminare degli altri nodi.
Invece di conoscere le etichette dei nodi, supponi di conoscere per ogni nodo la sua probabilità di churn, come nell'immagine qui sotto. Nell'immagine, C indica churn e NC non-churn.
Poi, come prima, puoi aggiornare la probabilità di churn dei nodi facendo la media delle probabilità di churn dei nodi vicini.
Questo esercizio fa parte del corso
Analitica predittiva con dati di rete in R
Istruzioni dell'esercizio
- Trova la probabilità di churn del 44° cliente nel vettore
churnProb. - Aggiorna la probabilità di churn moltiplicando
AdjacencyMatrixperchurnProbe dividendo per il vettoreneighbors, che contiene le dimensioni dei vicinati. Abbiamo aggiuntoas.vector()attorno alle operazioni con le matrici. Assegna il risultato achurnProb_updated. - Trova la probabilità di churn aggiornata del 44° cliente nel vettore
churnProb_updated. - Cosa è successo alla probabilità di churn del 44° cliente?
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# Find churn probability of the 44th customer
churnProb[___]
# Update the churn probabilties and the non-churn probabilities
churnProb_updated <- as.vector((AdjacencyMatrix %*% ___) / ___)
# Find updated churn probability of the 44th customer
churnProb_updated[___]