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.

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

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

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

Caractéristiques de centralité

Exercice interactif pratique