Kolektif Çıkarım

Kolektif çıkarım, sınıflandırma hatasını azaltmak için birbiriyle bağlantılı verilerdeki düğümlere aynı anda etiket atama yöntemidir.

Bu egzersizde kolektif çıkarım uygulayacak ve AUC performans ölçütünü kullanarak müşteri kaybı (churn) tahmini üzerindeki etkisini göreceksin. AUC, yani ROC eğrisi altındaki alan, sınıflandırma tekniklerinin performansını değerlendirmede yaygın olarak kullanılır.

AUC = Modelin, rastgele seçilen bir churn müşterisini, rastgele seçilen churn olmayan bir müşteriden daha yüksek derecelendirme olasılığı
AUC = 0.5 ile 1 arasında bir sayı; daha yüksek değer daha iyi bir model demektir

Kolektif çıkarım AUC değerini artırıyor mu?

Bu egzersiz, kursun bir parçasıdır

R ile Ağ Verileri Kullanarak Predictive Analytics

Kursa Göz Atın

Egzersiz talimatları

İlişkisel komşu sınıflandırıcısının AUC değerini, pROC paketindeki auc fonksiyonunu çağırarak; gerçek churn etiketleri customers$churn ve tahmin değeri olarak churnProb kullanarak hesapla.
Olasılıksal ilişkisel komşu sınıflandırıcısını on kez uyguladığın ve her yinelemede değeri tekrar churnProb vektörüne atadığın bir for döngüsü yaz.
Güncellenmiş churnProb vektörünü kullanarak AUC'yi yeniden hesapla.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# 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(___))

Kodu Düzenle ve Çalıştır