Dans ce chapitre, vous serez initié aux réseaux annotés, à l’apprentissage sur réseaux et aux difficultés qui peuvent se présenter.

Motivation : réseaux sociaux et analytique prédictive

Plus susceptible de churner

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

Réseaux étiquetés et apprentissage sur réseaux

Attribuer des labels aux nœuds

Colorer les nœuds

Visualiser les churners

Classifieur des voisins relationnels

Défis de l’inférence basée sur les réseaux

Défis de l’apprentissage sur réseaux

Classifieur probabiliste des voisins relationnels

Inférence collective

Introduction, réseaux et réseaux annotés

Dans ce chapitre, vous découvrirez l’homophilie et apprendrez à 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 même étiquette

Dyadicité des churners

Dyadicité des non-churners

Hétérophilicité

Arêtes entre étiquettes différentes

Calculer l’hétérophilie

Résumé de l’homophilie

Dyadicité, Hétérophilicité et Homophilie

Le réseau est-il homophile ?

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

Caractéristiques réseau de base

Caractéristiques réseau simples

Caractéristiques de centralité

Transitivité

Fonctionnalités basées sur les liens

Matrices d’adjacence

Caractéristiques basées sur les liens

Caractéristiques basées sur les liens d’ordre 2

Caractéristiques basées sur les liens du voisinage

PageRank

Nœud le plus influent

Évolutions du PageRank

Convergence de PageRank

PageRank personnalisé

Extraire des features PageRank

Featurization du réseau

Dans ce chapitre, vous utiliserez le réseau du chapitre 3 pour créer un jeu de données plat. À l’aide de techniques classiques de fouille de données, vous construirez des modèles prédictifs et mesurerez leurs performances avec l’AUC et le top decile lift.

Extraire un jeu de données

Obtenir un jeu de données plat

Valeurs manquantes

Remplacer les valeurs manquantes

Variables corrélées

Construire un modèle prédictif

Séparer en entraînement et test

Modèle de régression logistique

Modèle de random forest

Évaluer les performances du modèle

Prédire le churn

Mesurer l’AUC

Mesurer le top decile lift

Récapitulatif et dernières réflexions

Tout rassembler

Student Customers dataset

Student Edge List dataset

Student Network dataset

Dans ce cours, vous apprendrez à réaliser une analytique prédictive de pointe à partir de données en réseau sous R. L’objectif de l’analyse de réseaux est de prédire à quelle classe appartient un nœud du réseau, par exemple churner ou non, fraudeur ou non, en défaut ou non, etc. Pour cela, nous expliquons comment exploiter de manière prédictive les informations issues du réseau et de sa structure sous-jacente. Plus précisément, nous présentons l’idée de featurization afin d’ajouter des caractéristiques réseau aux caractéristiques hors réseau, ce qui améliore les performances de tout modèle analytique obtenu. Dans ce cours, vous utiliserez le package igraph pour générer et annoter un réseau de clients dans un contexte de churn et vous familiariser avec les fondements de l’apprentissage sur réseaux. Vous étudierez ensuite l’homophilie, la dyadicité et l’hétérophilie, et la manière de les utiliser pour obtenir des insights exploratoires clés sur votre réseau. Vous utiliserez ensuite les fonctionnalités du package igraph pour calculer diverses caractéristiques réseau, aussi bien centrées sur les nœuds que basées sur les voisins. En outre, vous appliquerez l’algorithme PageRank de Google pour calculer des caractéristiques 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 à l’aide d’une régression logistique et de forêts aléatoires.

Network Analysis in R

Supervised Learning in R: Classification

Apprenez à prédire les étiquettes des nœuds en utilisant l'apprentissage et l'extraction de caractéristiques.

Analytique prédictive avec des données en réseau sous R

Prédisez les étiquettes des nœuds dans les réseaux via l'apprentissage en réseau et en extrayant des caractéristiques descriptives du réseau

Professor of Data Science, KU Leuven and University of Southampton

Motivation: social networks and predictive analytics

Applications

Overview

Collaboration Network

Churn Network

Let's practice!

Introduction, réseaux et réseaux annotés - Motivation : réseaux sociaux et analytique prédictive

Motivation : réseaux sociaux et analytique prédictive

Create Your Free Account