Inferență colectivă

Inferența colectivă este o procedură prin care se etichetează simultan nodurile din date interconectate, cu scopul de a reduce erorile de clasificare.

În acest exercițiu vei aplica inferența colectivă și vei observa efectul pe care îl are asupra predicției de churn, folosind metrica de performanță AUC. AUC, sau aria de sub curba ROC, este utilizată în mod frecvent pentru a evalua performanța tehnicilor de clasificare.

AUC = probabilitatea ca un client care renunță la serviciu, ales aleatoriu, să fie clasat mai sus de model față de un client care nu renunță, ales aleatoriu
AUC = o valoare între 0,5 și 1, unde o valoare mai mare indică un model mai bun

Oare inferența colectivă crește valoarea AUC?

Acest exercițiu face parte din cursul

Analiză predictivă folosind date de rețea în R

Vezi cursul

Instrucțiuni pentru exercițiu

Calculează AUC-ul clasificatorului relațional de tip vecin apelând funcția auc din pachetul pROC, folosind etichetele reale de churn customers$churn și churnProb ca valoare prezisă.
Scrie o buclă for în care aplici clasificatorul probabilistic relațional de tip vecin de zece ori și atribuie valoarea rezultată vectorului churnProb la fiecare iterație.
Calculează din nou AUC-ul folosind vectorul churnProb actualizat.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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(___))

Editează și rulează codul