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.

Basic Network features

Simple network features

Centrality features

Transitivity

Link-Based Features

Adjacency matrices

Link-based features

Second order link-based features

Neighborhood link-based features

PageRank

Most influential node

Changes in PageRank

Convergence of PageRank

Personalized PageRank

Extract PageRank features

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.

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

Putting it all together

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.

Ringkasan dan pemikiran akhir

Create Your Free Account