Inferência Coletiva

Inferência coletiva é um procedimento para rotular simultaneamente nós em dados interconectados, reduzindo o erro de classificação.

Neste exercício, você vai realizar inferência coletiva e observar o efeito na predição de churn usando a métrica de desempenho AUC. A AUC, ou área sob a curva ROC, é comumente usada para avaliar o desempenho de técnicas de classificação.

AUC = probabilidade de que um cliente churner escolhido aleatoriamente seja ranqueado mais alto pelo modelo do que um não churner escolhido aleatoriamente
AUC = número entre 0.5 e 1, em que valores mais altos indicam um modelo melhor

A inferência coletiva aumenta o valor de AUC?

Este exercício faz parte do curso

Análise Preditiva com Dados em Rede em R

Ver curso

Instruções do exercício

Calcule a AUC do classificador de vizinhos relacionais chamando a função auc do pacote pROC, usando os rótulos reais de churn customers$churn e churnProb como valor previsto.
Escreva um loop for aplicando o classificador probabilístico de vizinhos relacionais dez vezes e atribua novamente o valor ao vetor churnProb a cada iteração.
Calcule a AUC novamente usando o vetor churnProb atualizado.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# 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(___))

Editar e executar o código