Коллективное выведение меток

Коллективное выведение меток — это процедура одновременной разметки узлов во взаимосвязанных данных, позволяющая снизить ошибку классификации.

В этом упражнении вы выполните коллективное выведение меток и оцените его влияние на прогнозирование оттока клиентов с помощью метрики AUC. AUC (площадь под ROC-кривой) широко используется для оценки качества классификаторов.

AUC — это вероятность того, что модель присвоит случайно выбранному оттекающему клиенту более высокий ранг, чем случайно выбранному не оттекающему.
AUC принимает значения от 0,5 до 1: чем выше значение, тем лучше модель.

Приводит ли коллективное выведение меток к увеличению значения AUC?

Это упражнение является частью курса

Прогнозная аналитика на основе сетевых данных в R

Посмотреть курс

Инструкции к упражнению

Вычислите AUC классификатора на основе реляционных соседей, вызвав функцию auc из пакета pROC. В качестве аргументов передайте фактические метки оттока customers$churn и вектор прогнозируемых вероятностей churnProb.
Напишите цикл for, в котором вероятностный классификатор реляционных соседей применяется десять раз, и на каждой итерации сохраняйте результат обратно в вектор churnProb.
Вычислите AUC ещё раз, используя обновлённый вектор churnProb.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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(___))

Редактировать и запускать код