集体推断

集体推断是一种同时为相互关联的数据节点打标签的过程，可降低分类误差。

在本练习中，您将执行集体推断，并通过 AUC 这一性能度量来观察它对流失预测的影响。 AUC（ROC 曲线下面积）常用于评估分类技术的表现。

AUC = 随机抽取一名流失用户与一名非流失用户时，模型将流失用户评分更高的概率
AUC 的取值在 0.5 与 1 之间，数值越高表示模型越好

集体推断是否能提升 AUC？

本练习是课程的一部分

使用 R 进行网络数据的预测分析

查看课程

练习说明

使用 pROC 包中的 auc 函数，以上真实流失标签 customers$churn 与预测值 churnProb 来计算关系邻居分类器的 AUC。
编写一个 for 循环，将概率关系邻居分类器运行 10 次，并在每次迭代后将结果重新赋给向量 churnProb。
使用更新后的 churnProb 向量再次计算 AUC。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# 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(___))

编辑并运行代码