In questo capitolo verrai introdotto alle reti etichettate, al network learning e alle sfide che possono emergere.

Motivazione: social network e predictive analytics

Più probabile che vada in churn

Crea una rete da una edgelist

Reti etichettate e apprendimento su reti

Etichettare i nodi

Colorare i nodi

Visualizzare i churner

Relational Neighbor Classifier

Sfide dell'inferenza basata sulle reti

Sfide nel network learning

Probabilistic Relational Neighbor Classifier

Inferenza collettiva

Introduzione, reti e reti etichettate

In questo capitolo imparerai cos’è l’homophily e come calcolare le due misure per caratterizzarla: dyadicity e heterophilicity.

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 questo capitolo utilizzerai il pacchetto igraph per calcolare varie caratteristiche di rete e aggiungerle alla rete.

Funzionalità di rete di base

Feature di rete semplici

Caratteristiche di centralità

Transitivity

Caratteristiche basate sui link

Matrici di adiacenza

Feature basate sui link di secondo ordine

Caratteristiche basate sui link del vicinato

PageRank

Nodo più influente

Variazioni nel PageRank

Convergenza di PageRank

PageRank personalizzato

Estrai le feature di PageRank

Featurization di rete

In questo capitolo userai la rete del Capitolo 3 per creare un insieme di dati piatto. Utilizzando tecniche standard di data mining, costruirai modelli predittivi e ne misurerai le prestazioni con AUC e top decile lift.

Estrai un insieme di dati

Creare un insieme di dati piatto

Valori mancanti

Sostituisci i valori mancanti

Variabili correlate

Creare un modello predittivo

Suddividi in train e test

Modello di regressione logistica

Modello random forest

Valutare le prestazioni del modello

Prevedere il churn

Misurare l'AUC

Misura il top decile lift

Riepilogo e considerazioni finali

Mettere tutto insieme

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.

Più probabile che vada in churn

Analitica predittiva con dati di rete in R

esercizio interattivo pratico