Collective inferencing

Collective inferencing is een methode om knopen in onderling verbonden data tegelijk te labelen en zo de classificatiefout te verkleinen.

In deze oefening voer je collective inferencing uit en bekijk je het effect op de churn-voorspelling met de AUC-prestatiemaatstaf. AUC, of area under the ROC curve, wordt vaak gebruikt om de prestaties van classificatietechnieken te beoordelen.

AUC = de kans dat een willekeurig gekozen churner hoger wordt gerangschikt door het model dan een willekeurig gekozen niet-churner
AUC = een getal tussen 0,5 en 1, waarbij een hoger getal een beter model betekent

Verhoogt collective inferencing de AUC-waarde?

Deze oefening maakt deel uit van de cursus

Predictive Analytics met netwerkgdata in R

Cursus bekijken

Oefeninstructies

Bereken de AUC van de relationele buur-classifier door de functie auc uit het pROC-pakket aan te roepen, met de echte churn-labels customers$churn en churnProb als voorspelde waarde.
Schrijf een for-lus waarin je de probabilistic relational neighbor-classifier tien keer toepast, en in elke iteratie de waarde opnieuw toekent aan de vector churnProb.
Bereken opnieuw de AUC met de bijgewerkte vector churnProb.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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(___))

Code bewerken en uitvoeren