Kollektiv inferens

Kollektiv inferens är en metod för att samtidigt märka noder i sammankopplade data, i syfte att minska klassificeringsfel.

I den här övningen utför du kollektiv inferens och undersöker vilken effekt det har på churn-prediktionen med hjälp av AUC som prestandamått. AUC, eller arean under ROC-kurvan, används ofta för att utvärdera klassificeringsmodeller.

AUC = sannolikheten att en slumpmässigt vald churner rankas högre av modellen än en slumpmässigt vald icke-churner
AUC = ett tal mellan 0,5 och 1, där ett högre värde innebär en bättre modell

Ökar kollektiv inferens AUC-värdet?

Den här övningen är en del av kursen

Prediktiv analys med nätverksdata i R

Visa kurs

Övningsinstruktioner

Beräkna AUC för den relationella grannklassificeraren genom att anropa funktionen auc i paketet pROC, med de faktiska churn-etiketterna customers$churn och churnProb som predikterat värde.
Skriv en for-loop där du tillämpar den probabilistiska relationella grannklassificeraren tio gånger och tilldelar värdet till vektorn churnProb i varje iteration.
Beräkna AUC igen med den uppdaterade vektorn churnProb.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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(___))

Redigera och kör kod