Probabilistic Relational Neighbor Classifier

In deze oefening pas je de probabilistic relational neighbor classifier toe om churnkansen af te leiden op basis van de vooraf bekende churnkansen van de andere knopen.

Stel dat je, in plaats van de labels van de knopen te kennen, voor elke knoop de kans op churn kent, zoals in de afbeelding hieronder. In de afbeelding staat C voor churn en NC voor geen churn. Net als eerder kun je dan de churnkans van de knopen bijwerken door het gemiddelde te nemen van de churnkansen van de aangrenzende knopen.
Probabilistic relational neighbor classifier

Deze oefening maakt deel uit van de cursus

Predictive Analytics met netwerkgdata in R

Cursus bekijken

Oefeninstructies

Zoek de churnkans van de 44e klant in de vector churnProb.
Werk de churnkans bij door AdjacencyMatrix te vermenigvuldigen met churnProb en te delen door de vector neighbors, die de groottes van de buurtschappen bevat. We hebben as.vector() rond de matrixbewerkingen toegevoegd. Ken het resultaat toe aan churnProb_updated.
Zoek de bijgewerkte churnkans van de 44e klant in de vector churnProb_updated.
Wat is er gebeurd met de churnkans van de 44e klant?

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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[___]

Code bewerken en uitvoeren