In diesem Kapitel lernst du gelabelte Netzwerke, Network Learning und mögliche Herausforderungen kennen.

Motivation: soziale Netzwerke und Predictive Analytics

Am wahrscheinlichsten zu churnen

Erstelle ein Netzwerk aus einer Edgelist

Labelled Networks und Network Learning

Knoten beschriften

Knoten einfärben

Churner visualisieren

Relational Neighbor Classifier

Herausforderungen der netzwerkbasierten Inferenz

Herausforderungen beim Network Learning

Probabilistic Relational Neighbor Classifier

Collective Inferencing

Einführung, Netzwerke und gelabelte Netzwerke

In diesem Kapitel lernst du Homophilie kennen und wie du die beiden Maße berechnest, mit denen sie charakterisiert werden kann: Dyadicity und Heterophilie.

Homophilie

Homophile Netzwerke

Kantentypen extrahieren

Kantentypen zählen

Knoten zählen und Connectance berechnen

Dyadizität

Kanten mit gleichem Label

Dyadicity von Churnern

Dyadicity der Non-Churner

Heterophilie

Kanten mit unterschiedlichen Labels

Heterophilie berechnen

Zusammenfassung zur Homophilie

Dyadicity, Heterophilicity & Homophily

Ist das Netzwerk homophil?

In diesem Kapitel verwendest du das Paket igraph, um verschiedene Netzwerkfeatures zu berechnen und sie dem Netzwerk hinzuzufügen.

Grundlegende Netzwerk-Features

Einfache Netzwerk-Features

Zentralitätsmerkmale

Transitivität

Link-basierte Features

Adjazenzmatrizen

Link-basierte Features zweiter Ordnung

Nachbarschaftsbasierte Link-Features

PageRank

Einflussreichster Knoten

Änderungen im PageRank

Konvergenz von PageRank

Personalisierter PageRank

PageRank-Features extrahieren

Network Featurization

In diesem Kapitel nutzt du das Netzwerk aus Kapitel 3, um einen flachen Datensatz zu erstellen. Mit gängigen Data-Mining-Techniken baust du Vorhersagemodelle und misst deren Leistung mit AUC und Top-Decile-Lift.

Einen Datensatz extrahieren

Einen flachen Datensatz erstellen

Fehlende Werte

Fehlende Werte ersetzen

Korrelierte Variablen

Ein prädiktives Modell erstellen

In Train und Test aufteilen

Logistisches Regressionsmodell

Random-Forest-Modell

Modellleistung bewerten

Kündigungen vorhersagen

AUC messen

Top- Dezil-Lift messen

Zusammenfassung und abschließende Gedanken

Alles zusammenführen

Student Customers dataset

Student Edge List dataset

Student Network dataset

In diesem Kurs lernst du, modernste Predictive Analytics mit vernetzten Daten in R durchzuführen. Ziel der Netzwerkanalyse ist es, vorherzusagen, zu welcher Klasse ein Netzwerkknoten gehört – zum Beispiel Churner oder nicht, Betrüger oder nicht, Zahlungsausfall oder nicht usw. Dafür zeigen wir dir, wie du Informationen aus dem Netzwerk und seiner Struktur gezielt für Vorhersagen nutzt. Konkret führen wir das Konzept der Featurization ein, sodass Netzwerkmerkmale zu Nicht-Netzwerkmerkmalen ergänzt werden können, um die Leistung jedes resultierenden Analysemodells zu verbessern. In diesem Kurs arbeitest du mit dem Paket igraph, um in einem Churn-Szenario ein Kundennetzwerk zu erzeugen und zu labeln und lernst die Grundlagen des Network Learning kennen. Danach lernst du Homophilie, Dyadicity und Heterophilie kennen und wie du damit wichtige explorative Einblicke in dein Netzwerk gewinnst. Anschließend verwendest du die Funktionen des igraph-Pakets, um verschiedene Netzwerkfeatures zu berechnen – sowohl knoten-zentrierte als auch nachbarschaftsbasierte Merkmale. Außerdem setzt du den Google-PageRank-Algorithmus ein, um Netzwerkmerkmale zu berechnen und ihre Vorhersagekraft empirisch zu validieren. Abschließend zeigen wir dir, wie du aus dem Netzwerk einen flachen Datensatz erzeugst und ihn mit logistischer Regression und Random Forests analysierst.

Network Analysis in R

Supervised Learning in R: Classification

Lerne, Knoten in Netzwerken durch Netzwerklernen und Merkmalsextraktion vorherzusagen.

Predictive Analytics mit vernetzten Daten in R

Lerne, die Bezeichnungen von Knoten in Netzwerken mithilfe von Netzwerk-Lernen und durch das Extrahieren beschreibender Merkmale aus dem Netzwerk vorherzusagen.

Zentralitätsmerkmale

Predictive Analytics mit vernetzten Daten in R

Interaktive Übung