集體推論
集體推論是一種在互相連結的資料上，同步為節點加上標籤以降低分類錯誤的程序。
在這個練習中，你會執行集體推論，並用 AUC 效能指標觀察它對流失預測的影響。 AUC（ROC 曲線下面積）常用來評估分類技術的表現。
- AUC = 隨機挑選一位流失者，相較於隨機挑選一位未流失者，被模型排名更高的機率
- AUC = 介於 0.5 與 1 之間的數值，數值越高代表模型越好
集體推論是否能提升 AUC 值？
本練習屬於課程
使用 R 進行網路化資料的預測分析
練習說明
- 使用
pROC套件中的auc函式，以上實際的流失標籤customers$churn與預測值churnProb，計算關係式鄰居分類器的 AUC。 - 撰寫一個
for迴圈，將機率式關係鄰居分類器執行 10 次，並在每次迭代時把結果重新指定給向量churnProb。 - 使用更新後的
churnProb向量再計算一次 AUC。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Load the pROC package and data
library(pROC)
load("Nex132.RData")
# Compute the AUC
___(customers$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(___))