Probabilistic Relational Neighbor Classifier
ในแบบฝึกหัดนี้ จะได้ลองใช้ probabilistic relational neighbor classifier เพื่อประมาณความน่าจะเป็นของการเลิกใช้บริการ โดยอิงจากความน่าจะเป็น prior ของโหนดอื่น ๆ
แทนที่จะรู้ label ของโหนดโดยตรง สมมติว่าทราบความน่าจะเป็นของการเลิกใช้บริการของแต่ละโหนด ดังภาพด้านล่าง ในภาพนี้ C หมายถึง churn และ NC หมายถึง non-churn
จากนั้น เช่นเดิม สามารถอัปเดตความน่าจะเป็นของการเลิกใช้บริการของแต่ละโหนดได้โดยหาค่าเฉลี่ยของความน่าจะเป็นของโหนดเพื่อนบ้าน
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
การวิเคราะห์เชิงพยากรณ์โดยใช้ข้อมูลเครือข่ายใน R
คำแนะนำการฝึกหัด
- หาความน่าจะเป็นของการเลิกใช้บริการของลูกค้าคนที่ 44 ในเวกเตอร์
churnProb - อัปเดตความน่าจะเป็นของการเลิกใช้บริการโดยคูณ
AdjacencyMatrixกับchurnProbแล้วหารด้วยเวกเตอร์neighborsซึ่งเก็บขนาดของ neighborhood ไว้ โดยเราได้เพิ่มas.vector()ครอบการดำเนินการเมทริกซ์ไว้แล้ว จากนั้นกำหนดผลลัพธ์ให้กับchurnProb_updated - หาความน่าจะเป็นของการเลิกใช้บริการที่อัปเดตแล้วของลูกค้าคนที่ 44 ในเวกเตอร์
churnProb_updated - ความน่าจะเป็นของการเลิกใช้บริการของลูกค้าคนที่ 44 เปลี่ยนแปลงไปอย่างไร?
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
# 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[___]