Колективне виведення

Колективне виведення — це процедура одночасного призначення міток вузлам в взаємопов'язаних даних, щоб зменшити помилку класифікації.

У цій вправі ви виконаєте колективне виведення і побачите, як це впливає на передбачення відтоку за мірою якості AUC. AUC, або площа під ROC-кривою, зазвичай використовують для оцінювання ефективності методів класифікації.

AUC = ймовірність того, що випадково обраний клієнт, який пішов у відтік, буде ранжований моделлю вище, ніж випадково обраний клієнт без відтоку
AUC = число між 0,5 і 1, де більше значення означає кращу модель

Чи підвищує колективне виведення значення AUC?

Ця вправа є частиною курсу

Прогнозна аналітика з мережевими даними в R

Переглянути курс

Інструкції до вправи

Обчисліть AUC для класифікатора реляційних сусідів, викликавши функцію auc з пакета pROC, використовуючи фактичні мітки відтоку customers$churn і churnProb як передбачене значення.
Напишіть цикл for, у якому ви застосуєте ймовірнісний класифікатор реляційних сусідів десять разів і щоразу присвоюватимете значення знову до вектора churnProb в кожній ітерації.
Знову обчисліть AUC, використовуючи оновлений вектор churnProb.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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(___))

Редагувати та запускати код