Probabilistisk relationell grannklassificerare
I den här övningen tillämpar du den probabilistiska relationella grannklassificeraren för att härleda churn-sannolikheter baserat på de övriga nodernas tidigare churn-sannolikhet.
I stället för att känna till nodernas etiketter antar vi att du känner till varje nods sannolikhet för churn, som i bilden nedan. I bilden står C för churn och NC för icke-churn.
Precis som tidigare kan du uppdatera nodernas churn-sannolikhet genom att beräkna medelvärdet av grannodernas churn-sannolikheter.
Den här övningen är en del av kursen
Prediktiv analys med nätverksdata i R
Övningsinstruktioner
- Ta fram churn-sannolikheten för den 44:e kunden i vektorn
churnProb. - Uppdatera churn-sannolikheten genom att multiplicera
AdjacencyMatrixmedchurnProboch dividera med vektornneighbors, som innehåller grannskapens storlekar. Vi har lagt tillas.vector()runt matrisoperationerna. Tilldela resultatet tillchurnProb_updated. - Ta fram den uppdaterade churn-sannolikheten för den 44:e kunden i vektorn
churnProb_updated. - Vad hände med churn-sannolikheten för den 44:e kunden?
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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[___]