En este capítulo te presentaremos las redes etiquetadas, el aprendizaje en redes y los desafíos que pueden surgir.

Motivación: redes sociales y analítica predictiva

Más probable que haga churn

Crea una red a partir de una lista de aristas (edgelist)

Redes etiquetadas y aprendizaje en redes

Etiquetar nodos

Colorear nodos

Visualizar clientes que causan baja

Clasificador de vecinos relacionales

Retos de la inferencia basada en redes

Retos del aprendizaje en redes

Clasificador probabilístico de vecinos relacionales

Inferencia colectiva

Introducción, redes y redes etiquetadas

En este capítulo aprenderás qué es la homofilia y cómo calcular las dos medidas que pueden utilizarse para caracterizarla: diadicidad y heterofilia.

Homofilia

Redes homofílicas

Extraer tipos de aristas

Contar tipos de aristas

Contar nodos y calcular la conectancia

Díadicidad

Aristas con la misma etiqueta

Dyadicidad de los churners

Diadicidad de no churners

Heterofilia

Aristas con etiquetas cruzadas

Calcula la heterofilia

Resumen de homofilia

Diadicidad, heterofobicidad y homofilia

¿La red es homófila?

En este capítulo utilizarás el paquete igraph para calcular varias características de red y añadirlas a la red.

Características básicas de la red

Características de red simples

Características de centralidad

Transitividad

Características basadas en enlaces

Matrices de adyacencia

Características basadas en enlaces de segundo orden

Características basadas en enlaces del vecindario

PageRank

Nodo más influyente

Cambios en PageRank

Convergencia de PageRank

PageRank personalizado

Extraer características de PageRank

Featurización de redes

En este capítulo usarás la red del Capítulo 3 para crear un conjunto de datos plano. Con técnicas estándar de minería de datos, construirás modelos predictivos y medirás su rendimiento con AUC y top decile lift.

Extrae un conjunto de datos

Obtener un conjunto de datos plano

Valores ausentes

Reemplazar valores perdidos

Variables correlacionadas

Crear un modelo predictivo

Divide en entrenamiento y prueba

Modelo de regresión logística

Modelo de random forest

Evaluar el rendimiento del modelo

Predicción de churn

Medir AUC

Medir el top decile lift

Resumen y reflexiones finales

Integrarlo todo

Student Customers dataset

Student Edge List dataset

Student Network dataset

En este curso aprenderás a realizar analítica predictiva de vanguardia utilizando datos en red en R. El objetivo del análisis de redes es predecir a qué clase pertenece un nodo de la red, como si es churner o no, si es fraudster o no, si es defaulter o no, etc. Para lograrlo, veremos cómo aprovechar la información de la red y su estructura subyacente con fines predictivos. En particular, introducimos la idea de la featurización para que las características de red puedan añadirse a las que no lo son, mejorando así el rendimiento de cualquier modelo analítico resultante. En este curso usarás el paquete igraph para generar y etiquetar una red de clientes en un escenario de churn y conocerás los fundamentos del aprendizaje en redes. Después, aprenderás sobre homofilia, diadicidad y heterofilia, y cómo usarlas para obtener insights exploratorios clave en tu red. A continuación, utilizarás la funcionalidad del paquete igraph para calcular diversas características de red y obtener tanto métricas centradas en nodos como basadas en vecinos. Además, emplearás el algoritmo Google PageRank para calcular características de red y validar empíricamente su poder predictivo. Por último, te enseñamos a generar un conjunto de datos plano a partir de la red y a analizarlo con regresión logística y random forests.

Network Analysis in R

Supervised Learning in R: Classification

Aprende a predecir etiquetas de nodos en redes usando aprendizaje de redes y extrayendo características.

Analítica predictiva con datos conectados en R

Aprende a predecir las etiquetas de los nodos en las redes utilizando el aprendizaje de redes y extrayendo características descriptivas de la red.

PageRank

Create Your Free Account