Pada bab ini Anda akan diperkenalkan pada jejaring berlabel, pembelajaran jejaring, dan tantangan yang dapat muncul.

Motivasi: jejaring sosial dan predictive analytics

Paling mungkin churn

Buat jaringan dari daftar sisi (edgelist)

Jaringan berlabel dan pembelajaran jaringan

Memberi label pada node

Memberi warna pada simpul

Memvisualisasikan Pelanggan yang Churn

Relational Neighbor Classifier

Tantangan inferensi berbasis jaringan

Tantangan dalam pembelajaran jaringan

Probabilistic Relational Neighbor Classifier

Inferensi Kolektif

Pengantar, jejaring, dan jejaring berlabel

Pada bab ini Anda akan mempelajari homophily dan cara menghitung dua ukuran yang dapat digunakan untuk mencirakannya, yaitu dyadicity dan heterophilicity.

Homofili

Jaringan homofilik

Menentukan jenis edge

Menghitung jenis edge

Menghitung simpul dan menghitung connectance

Diadisitas

Sisi dengan label sama

Dyadicity para churner

Dyadicity non-churner

Heterofilisitas

Sisi berlabel silang

Hitung heterophilicity

Ringkasan homofili

Diadisitas, Heterofilisitas, & Homofili

Apakah jaringannya homofilik?

Homophily

Pada bab ini Anda akan menggunakan paket igraph untuk menghitung berbagai fitur jejaring dan menambahkannya ke jejaring.

Fitur Jaringan Dasar

Fitur jaringan sederhana

Fitur sentralitas

Transitivitas

Fitur Berbasis Tautan

Matriks ketetanggaan

Fitur berbasis tautan

Fitur berbasis tautan orde kedua

Fitur berbasis tautan di lingkungan sekitar

PageRank

Node paling berpengaruh

Perubahan pada PageRank

Konvergensi PageRank

PageRank yang Dipersonalisasi

Ekstrak fitur PageRank

Featurization Jejaring

Pada bab ini Anda akan menggunakan jejaring dari Bab 3 untuk membuat himpunan data datar. Dengan menggunakan teknik data mining standar, Anda akan membangun model prediktif dan mengukur kinerjanya dengan AUC dan top decile lift.

Ekstrak sebuah himpunan data

Mendapatkan himpunan data datar

Nilai Hilang

Ganti nilai yang hilang

Variabel berkorelasi

Membangun model prediktif

Pisahkan menjadi train dan test

Model regresi logistik

Model random forest

Mengevaluasi kinerja model

Memprediksi churn

Mengukur AUC

Mengukur top decile lift

Ringkasan dan pemikiran akhir

Menggabungkan semuanya

Student Customers dataset

Student Edge List dataset

Student Network dataset

Dalam kursus ini, Anda akan mempelajari cara melakukan analitik prediktif terkini menggunakan data berjejaring di R. Tujuan analitik jejaring adalah memprediksi kelas tempat sebuah node jejaring berada, seperti pelanggan yang churn atau tidak, pelaku kecurangan atau tidak, kredit macet atau tidak, dan seterusnya. Untuk mencapai hal ini, kami membahas cara memanfaatkan informasi dari jejaring dan struktur dasarnya secara prediktif. Lebih spesifik, kami memperkenalkan konsep featurization sehingga fitur jejaring dapat ditambahkan ke fitur non-jejaring untuk meningkatkan kinerja model analitik apa pun yang dihasilkan. Dalam kursus ini, Anda akan menggunakan paket igraph untuk membangun dan memberi label sebuah jejaring pelanggan dalam konteks churn serta mempelajari dasar-dasar pembelajaran jejaring. Selanjutnya, Anda akan mempelajari homophily, dyadicity, dan heterophilicity, serta bagaimana ketiganya dapat digunakan untuk memperoleh wawasan eksploratif kunci dalam jejaring Anda. Berikutnya, Anda akan menggunakan fungsionalitas paket igraph untuk menghitung berbagai fitur jejaring guna memperoleh fitur jejaring yang berfokus pada node maupun berbasis tetangga. Selain itu, Anda akan menggunakan algoritma Google PageRank untuk menghitung fitur jejaring dan memvalidasi secara empiris daya prediktifnya. Terakhir, kami mengajarkan cara membangkitkan himpunan data datar dari jejaring dan menganalisisnya menggunakan regresi logistik dan random forests.

Network Analysis in R

Supervised Learning in R: Classification

Pelajari memprediksi label node dalam jaringan dengan pembelajaran jaringan dan ekstraksi fitur deskriptif.

Analitik Prediktif menggunakan Data Berjejaring di R

Pelajari cara memprediksi label node dalam jaringan menggunakan pembelajaran jaringan dan dengan mengekstrak fitur deskriptif dari jaringan.

Dyadicity non-churner

Analitik Prediktif menggunakan Data Berjejaring di R

Latihan interaktif langsung