Dans ce chapitre, vous serez initié aux réseaux étiquetés, à l'apprentissage sur réseaux et aux défis qui peuvent survenir.

Motivation : réseaux sociaux et analytique prédictive

Plus susceptible de se désabonner

Créer un réseau à partir d'une liste d'arêtes

Réseaux étiquetés et apprentissage sur réseau

Attribuer des étiquettes aux nœuds

Colorer les nœuds

Visualiser les abonnés en désabonnement

Classificateur des voisins relationnels

Défis de l'inférence fondée sur les réseaux

Défis de l'apprentissage sur réseaux

Classificateur probabiliste des voisins relationnels

Inférence collective

Introduction, réseaux et réseaux étiquetés

Dans ce chapitre, vous apprendrez ce qu'est l'homophilie et comment calculer les deux mesures permettant de la caractériser, la dyadicité et l'hétérophilie.

Homophilie

Réseaux homophiles

Extraire les types d'arêtes

Compter les types d'arêtes

Compter les nœuds et calculer la connectance

Dyadicité

Arêtes avec la même étiquette

Dyadicité des clients en désabonnement

Dyadicité des non-churners

Hétérophilicité

Arêtes entre étiquettes différentes

Calculer l'hétérophilicité

Résumé de l'homophilie

Dyadicité, hétérophilicité et homophilie

Le réseau est-il homophile?

Dans ce chapitre, vous utiliserez le paquet igraph pour calculer diverses caractéristiques de réseau et les ajouter au réseau.

Fonctionnalités de base du réseau

Caractéristiques réseau simples

Mesures de centralité

Transitivité

Caractéristiques basées sur les liens

Matrices d'adjacence

Caractéristiques basées sur les liens de second ordre

Fonctionnalités liées aux liens du voisinage

PageRank

Nœud le plus influent

Évolutions du PageRank

Convergence de PageRank

PageRank personnalisé

Extraire des caractéristiques PageRank

Mise en caractéristiques du réseau

Dans ce chapitre, vous utiliserez le réseau du chapitre 3 pour créer un jeu de données plat. À l'aide de techniques courantes de fouille de données, vous bâtirez des modèles prédictifs et mesurerez leur performance avec l'AUC et le top décile lift.

Extraire un ensemble de données

Obtenir un ensemble de données plat

Valeurs manquantes

Remplacer les valeurs manquantes

Variables corrélées

Créer un modèle prédictif

Diviser en entraînement et test

Modèle de régression logistique

Modèle de forêt aléatoire

Évaluer la performance du modèle

Prédire l'attrition

Mesurer l'AUC

Mesurer le lift du premier décile

Résumé et réflexions finales

Tout rassembler

Student Edge List dataset

Student Customers dataset

Student Network dataset

Dans ce cours, vous apprendrez à réaliser une analytique prédictive de pointe à l'aide de données en réseau dans R. L'objectif de l'analytique des réseaux est de prédire à quelle classe appartient un nœud du réseau, par exemple client en attrition ou non, fraudeur ou non, en défaut ou non, etc. Pour y arriver, nous expliquons comment exploiter l'information issue du réseau et de sa structure sous-jacente de façon prédictive. Plus précisément, nous présentons l'idée de la mise en caractéristiques, afin que des caractéristiques de réseau puissent être ajoutées à des caractéristiques hors réseau, ce qui améliore la performance de tout modèle analytique obtenu. Dans ce cours, vous utiliserez le paquet igraph pour générer et étiqueter un réseau de clients dans un contexte d'attrition et vous vous familiariserez avec les bases de l'apprentissage sur réseaux. Ensuite, vous étudierez l'homophilie, la dyadicité et l'hétérophilie, et verrez comment les utiliser pour obtenir des constats exploratoires clés dans votre réseau. Puis, vous utiliserez les fonctionnalités du paquet igraph pour calculer diverses caractéristiques de réseau, tant centrées sur les nœuds que basées sur les voisins. De plus, vous appliquerez l'algorithme PageRank de Google pour calculer des caractéristiques de réseau et valider empiriquement leur pouvoir prédictif. Enfin, nous vous montrerons comment générer un jeu de données plat à partir du réseau et l'analyser au moyen de la régression logistique et des forêts aléatoires.

Network Analysis in R

Supervised Learning in R: Classification

Développez des compétences en analyse prédictive avec R. Apprenez à prévoir et analyser des données.

Analytique prédictive avec des données en réseau dans R

Apprenez à prédire les étiquettes des nœuds dans les réseaux grâce à l’apprentissage de réseau et à l’extraction de caractéristiques descriptives du réseau

Post-doctoral researcher

Premier défi

Deuxième défi

Troisième défi

Classifieur probabiliste des voisins relationnels

Passons à la pratique !

Introduction, réseaux et réseaux étiquetés - Défis de l'inférence fondée sur les réseaux

Défis de l'inférence fondée sur les réseaux

Create Your Free Account