In this chapter you will be introduced to labelled networks, network learning and the challanges that can arise.

Motivation: social networks and predictive analytics

Most likely to churn

Create a network from an edgelist

Labeled networks and network learning

Labeling nodes

Coloring nodes

Visualizing Churners

Relational Neighbor Classifier

Challenges of network-based inference

Challenges in Network learning

Probabilistic Relational Neighbor Classifier

Collective Inferencing

Introduction, networks and labelled networks

In this chapter you will learn about homophily and how to compute the two measures that can be used to characterice it, dyadicity and heterophilicty.

Homophily

Homophilic networks

Extracting types of edges

Counting types of edges

Counting nodes and computing connectance

Dyadicity

Same label edges

Dyadicity of churners

Dyadicity of non-churners

Heterophilicity

Cross label edges

Compute heterophilicity

Summary of homophily

Dyadicity, Heterophilicity, & Homophily

Is the network homophilic?

In this chapter you will use the igraph package to compute various network features and add them to the network.

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 this chapter you will use the network from Chapter 3 to create a flat dataset. Using standard data mining techniques, you will build predictive models and measure their performance with AUC and top decile lift.

Extract a dataset

Getting a flat dataset

Missing Values

Replace missing values

Correlated variables

Building a predictive model

Split into train and test

Logistic regression model

Random forest model

Evaluating model performance

Predicting churn

Measure AUC

Measure top decile lift

Summary and final thoughts

Putting it all together

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

Interaktive praktische Übung