1. 학습
    2. /
  2. 강의
    3. /
  3. R로 배우는 네트워크 데이터 기반 Predictive Analytics
Connected

연습 문제

Collective Inferencing

Collective inferencing은 서로 연결된 데이터의 노드를 동시에 라벨링해 분류 오류를 줄이는 절차예요.

이번 연습 문제에서는 collective inferencing을 수행하고, AUC 성능 지표를 사용해 이 방법이 이탈(churn) 예측에 어떤 영향을 주는지 확인해 보겠습니다. AUC는 ROC 곡선 아래 면적을 뜻하며, 분류 기법의 성능을 평가할 때 흔히 사용돼요.

  • AUC = 무작위로 선택한 이탈 고객이 무작위로 선택한 비이탈 고객보다 모델에 의해 더 높게 순위 매겨질 확률
  • AUC = 0.5 이상 1 이하의 값으로, 클수록 더 좋은 모델을 의미합니다

Collective inferencing을 적용하면 AUC 값이 상승하나요?

지침

100 XP
  • pROC 패키지의 auc 함수를 사용해 실제 이탈 라벨 customers$churn과 예측값 churnProb로 관계형 이웃 분류기(relational neighbor classifier)의 AUC를 계산하세요.
  • 확률적 관계형 이웃 분류기(probabilistic relational neighbor classifier)를 10회 적용하는 for 루프를 작성하고, 각 반복에서 churnProb 벡터에 다시 값을 할당하세요.
  • 업데이트된 churnProb 벡터로 AUC를 다시 계산하세요.