확률적 관계 이웃 분류기
이 연습 문제에서는 다른 노드들의 사전 이탈 확률을 바탕으로 이탈 확률을 추정하기 위해, 확률적 관계 이웃 분류기를 적용해 보겠습니다.
노드의 레이블을 알고 있다고 가정하는 대신, 아래 그림처럼 각 노드의 이탈 확률을 알고 있다고 가정해 보세요. 그림에서 C는 churn, NC는 non-churn을 뜻합니다.
이전과 마찬가지로, 이웃 노드들의 이탈 확률의 평균을 구해 각 노드의 이탈 확률을 업데이트할 수 있어요.
이 연습은 강의의 일부입니다
R로 배우는 네트워크 데이터 기반 Predictive Analytics
연습 안내
- 벡터
churnProb에서 44번째 고객의 이탈 확률을 확인하세요. AdjacencyMatrix에churnProb를 곱하고, 이웃 수가 들어 있는 벡터neighbors로 나누어 이탈 확률을 업데이트하세요. 행렬 연산 주위에는as.vector()를 추가해 두었습니다. 결과를churnProb_updated에 할당하세요.- 벡터
churnProb_updated에서 44번째 고객의 업데이트된 이탈 확률을 확인하세요. - 44번째 고객의 이탈 확률에는 어떤 변화가 있었나요?
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# 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[___]