Inferenza collettiva

L'inferenza collettiva è una procedura per etichettare simultaneamente i nodi in dati interconnessi così da ridurre l'errore di classificazione.

In questo esercizio eseguirai l'inferenza collettiva e vedrai l'effetto che ha sulla previsione del churn usando la metrica AUC. AUC, ovvero area sotto la curva ROC, è comunemente usata per valutare le prestazioni delle tecniche di classificazione.

AUC = probabilità che un churner scelto a caso sia classificato dal modello con punteggio più alto rispetto a un non-churner scelto a caso
AUC = numero compreso tra 0.5 e 1, dove un valore più alto indica un modello migliore

L'inferenza collettiva aumenta il valore di AUC?

Questo esercizio fa parte del corso

Analitica predittiva con dati di rete in R

Visualizza il corso

Istruzioni dell'esercizio

Calcola l'AUC del classificatore dei vicini relazionali chiamando la funzione auc del pacchetto pROC, usando le etichette di churn reali customers$churn e churnProb come valore predetto.
Scrivi un ciclo for in cui applichi il classificatore probabilistico dei vicini relazionali dieci volte, e a ogni iterazione assegna nuovamente il valore al vettore churnProb.
Calcola di nuovo l'AUC usando il vettore churnProb aggiornato.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# 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(___))

Modifica ed esegui il codice