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.

Omofilia

Reti omofile

Estrarre i tipi di archi

Conteggio dei tipi di bordi

Contare i nodi e calcolare la connectance

Diadicità

Archi con la stessa etichetta

Diadicità dei churner

Dyadicità dei non churner

Eterofilicità

Archi con etichette incrociate

Calcola l'eterofilicità

Riepilogo sull'omofilia

Diadicità, Eterofilicità e Omofilia

La rete è omofila?

Homophily

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.

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

In questo corso imparerai a eseguire analisi predittive all’avanguardia utilizzando dati di rete in R. L’obiettivo della network analytics è prevedere a quale classe appartiene un nodo della rete, ad esempio churner oppure no, frodatore oppure no, inadempiente oppure no, ecc. Per riuscirci, vedremo come sfruttare in modo predittivo le informazioni della rete e della sua struttura. In particolare, introdurremo l’idea di featurization, così da poter aggiungere le caratteristiche di rete alle caratteristiche non di rete, migliorando le prestazioni di qualunque modello analitico risultante. In questo corso userai il pacchetto igraph per generare ed etichettare una rete di clienti in uno scenario di churn e apprendere le basi del network learning. Poi conoscerai homophily, dyadicity e heterophilicity, e come usarle per ottenere intuizioni esplorative chiave sulla tua rete. Successivamente userai le funzionalità del pacchetto igraph per calcolare varie caratteristiche di rete, sia centrate sul nodo sia basate sui vicini. Inoltre, utilizzerai l’algoritmo PageRank di Google per calcolare caratteristiche di rete e verificarne empiricamente la capacità predittiva. Infine, ti mostreremo come generare un insieme di dati piatto a partire dalla rete e analizzarlo con regressione logistica e random forests.

Network Analysis in R

Supervised Learning in R: Classification

Impara a prevedere le etichette dei nodi nelle reti usando l'apprendimento di rete e caratteristiche descrittive.

Analitica predittiva con dati di rete in R

Impara a prevedere le etichette dei nodi nelle reti usando l'apprendimento di rete ed estraendo caratteristiche descrittive dalla rete.

Dyadicità dei non churner

Analitica predittiva con dati di rete in R

Esercizio pratico interattivo