Collective Inferencing

Collective inferencing เป็นกระบวนการที่ติดป้ายกำกับโหนดในข้อมูลที่เชื่อมโยงกันพร้อมกัน เพื่อลดข้อผิดพลาดในการจำแนกประเภท

ในแบบฝึกหัดนี้ จะได้ทำ collective inferencing และสังเกตผลที่มีต่อการทำนายการเลิกใช้บริการ (churn) โดยใช้ตัววัดประสิทธิภาพ AUC AUC หรือพื้นที่ใต้เส้น ROC curve เป็นตัวชี้วัดที่นิยมใช้ประเมินประสิทธิภาพของเทคนิคการจำแนกประเภท

AUC = ความน่าจะเป็นที่โมเดลจะจัดอันดับลูกค้าที่เลิกใช้บริการจริงสูงกว่าลูกค้าที่ไม่เลิกใช้บริการที่สุ่มเลือกมา
AUC = ค่าระหว่าง 0.5 ถึง 1 โดยค่าที่สูงกว่าหมายถึงโมเดลที่ดีกว่า

Collective inferencing ช่วยเพิ่มค่า AUC ได้หรือไม่?

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การวิเคราะห์เชิงพยากรณ์โดยใช้ข้อมูลเครือข่ายใน R

ดูคอร์ส

คำแนะนำการฝึกหัด

คำนวณ AUC ของ relational neighbor classifier โดยเรียกใช้ฟังก์ชัน auc จากแพ็กเกจ pROC โดยใช้ป้ายกำกับ churn จริงจาก customers$churn และ churnProb เป็นค่าที่ทำนาย
เขียนลูป for เพื่อประยุกต์ใช้ probabilistic relational neighbor classifier สิบครั้ง และกำหนดค่าให้กับเวกเตอร์ churnProb อีกครั้งในแต่ละรอบ
คำนวณ AUC อีกครั้งโดยใช้เวกเตอร์ churnProb ที่อัปเดตแล้ว

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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(___))

แก้ไขและรันโค้ด