V této kapitole se seznámíš s označenými sítěmi, síťovým učením a výzvami, které s tím mohou přijít.

Motivace: sociální sítě a prediktivní analytika

Největší pravděpodobnost odchodu

Vytvoření sítě z hranového seznamu

Označené sítě a síťové učení

Označování uzlů

Obarvení uzlů

Vizualizace odcházejících zákazníků

Klasifikátor nejbližšího souseda

Výzvy síťové inference

Výzvy při učení na sítích

Pravděpodobnostní klasifikátor relačních sousedů

Kolektivní inference

Úvod, sítě a sítě s popisky

V této kapitole se naučíš, co je homofílie, a vypočítáš dvě míry, které ji charakterizují: dyadicitu a heterofílii.

Homofilie

Homofilní sítě

Extrakce typů hran

Počítání typů hran

Počítání uzlů a výpočet konektance sítě

Dyadicita

Hrany se stejným štítkem

Dyadicita churnerů

Dyadicita non-churnerů

Heterofilie

Hrany mezi různými třídami

Výpočet heterofilie

Shrnutí homofilie

Dyadicita, heterofilie a homofilie

Je síť homofilní?

Homofílie

V této kapitole použiješ balíček igraph k výpočtu různých síťových příznaků a jejich přidání do sítě.

Základní síťové vlastnosti

Jednoduché síťové příznaky

Centrality features

Tranzitivita

Příznaky založené na vazbách

Matice sousednosti

Příznaky založené na hranách

Příznaky druhého řádu založené na vazbách

Sousedské linkové příznaky

PageRank

Nejvlivnější uzel

Změny v PageRanku

Konvergence PageRanku

Personalizovaný PageRank

Extrakce příznaků pomocí PageRank

Featurizace sítě

V této kapitole využiješ síť z kapitoly 3 k vytvoření plochého datasetu. Pomocí standardních technik dolování dat sestavíš prediktivní modely a změříš jejich výkon pomocí AUC a zvednutí v nejvyšším decilu.

Extrahuj dataset

Vytvoření plochého datasetu

Chybějící hodnoty

Nahrazení chybějících hodnot

Korelované proměnné

Tvorba prediktivního modelu

Rozdělení na trénovací a testovací sadu

Model logistické regrese

Model náhodného lesa

Vyhodnocení výkonu modelu

Predikce odchodu zákazníků

Výpočet AUC

Změř lift prvního decilu

Shrnutí a závěrečné myšlenky

Vše dohromady

Student Edge List dataset

Student Customers dataset

Student Network dataset

V tomto kurzu se naučíš provádět špičkovou prediktivní analytiku pomocí síťových dat v R. Cílem síťové analytiky je předpovědět, do které třídy uzel sítě patří – například jde o zákazníka, který odejde ke konkurenci, nebo ne; o podvodníka, nebo ne; o dlužníka, nebo ne atd. Ukážeme si, jak využít informace ze sítě a její struktury pro predikci. Konkrétně se zaměříme na featurizaci, díky níž lze síťové příznaky přidat k nesíťovým a zvýšit tak výkon výsledného analytického modelu. Pomocí balíčku igraph vytvoříš a označíš síť zákazníků v kontextu predikce odchodu a naučíš se základy síťového učení. Pak se podíváš na homofílii, dyadicitu a heterofílii a zjistíš, jak je využít k získání klíčových průzkumných poznatků o síti. Dále pomocí igraphu vypočítáš různé síťové příznaky – jak příznaky zaměřené na jednotlivé uzly, tak příznaky odvozené od sousedů. Algoritmus Google PageRank použiješ k výpočtu síťových příznaků a empiricky ověříš jejich prediktivní sílu. Nakonec se naučíš vytvořit plochý dataset ze sítě a analyzovat ho pomocí logistické regrese a náhodných lesů.

Network Analysis in R

Supervised Learning in R: Classification

Rozvíjejte dovednosti v prediktivní analýze v R. Naučte se předpovídat výsledky a analyzovat data.

Prediktivní analytika pomocí síťových dat v R

Naučte se předpovídat štítky uzlů v sítích pomocí network learning a extrahování popisných příznaků ze sítě

Největší pravděpodobnost odchodu

Prediktivní analytika pomocí síťových dat v R

Interaktivní praktické cvičení