In dit hoofdstuk maak je kennis met gelabelde netwerken, network learning en de uitdagingen die daarbij kunnen spelen.

Motivatie: sociale netwerken en voorspellende analytics

Grootste kans op churn

Maak een netwerk op basis van een edgelist

Gelabelde netwerken en netwerkleren

Knooppunten labelen

Knooppunten kleuren

Churners visualiseren

Relational Neighbor Classifier

Uitdagingen bij netwerkgebaseerde inferentie

Uitdagingen bij Network learning

Probabilistic Relational Neighbor Classifier

Collective inferencing

Introductie, netwerken en gelabelde netwerken

In dit hoofdstuk leer je over homophily en hoe je de twee maten kunt berekenen die het karakteriseren: dyadicity en heterophilicity.

Homofilie

Homofiele netwerken

Typen edges extraheren

Soorten randen tellen

Nodes tellen en connectance berekenen

Dyadiciteit

Randen met hetzelfde label

Dyadiciteit van churners

Dyadiciteit van non-churners

Heterofiliciteit

Edges met verschillende labels

Bereken heterofiliciteit

Samenvatting van homofolie

Dyadiciteit, heterofiliciteit en homofolie

Is het netwerk homofiel?

Homophily

In dit hoofdstuk gebruik je het igraph-pakket om diverse netwerkfeatures te berekenen en aan het netwerk toe te voegen.

Basis-netwerkfeatures

Eenvoudige netwerkfeatures

Centraliteitskenmerken

Transitivity

Op links gebaseerde features

Adjacentiematrices

Link-gebaseerde features

Tweede-orde linkgebaseerde features

Buurtkenmerken op basis van links

PageRank

Meest invloedrijke knoop

Veranderingen in PageRank

Convergentie van PageRank

Gepersonaliseerde PageRank

PageRank-functies extraheren

Network Featurization

In dit hoofdstuk gebruik je het netwerk uit Hoofdstuk 3 om een platte gegevensset te maken. Met standaard data mining-technieken bouw je voorspellende modellen en meet je hun prestaties met AUC en top decile lift.

Een gegevensset extraheren

Een platte gegevensset maken

Ontbrekende waarden

Missende waarden vervangen

Gecorreleerde variabelen

Een voorspellend model bouwen

Opsplitsen in train en test

Logistisch regressiemodel

Random forest-model

Modelprestaties evalueren

Churn voorspellen

AUC meten

Top decile lift meten

Samenvatting en slotgedachten

Alles samenbrengen

Student Customers dataset

Student Edge List dataset

Student Network dataset

In deze cursus leer je geavanceerde predictive analytics uitvoeren met netwerkdata in R. Het doel van netwerkanalyse is voorspellen tot welke klasse een knooppunt in het netwerk behoort, zoals wel of geen churner, wel of geen fraudeur, wel of geen wanbetaler, enzovoort. Om dit te bereiken laten we zien hoe je informatie uit het netwerk en de onderliggende structuur voorspellend kunt inzetten. Concreet introduceren we het idee van featurization, zodat netwerkkenmerken kunnen worden toegevoegd aan niet-netwerkkenmerken en zo de prestaties van elk resulterend analytisch model verbeteren. In deze cursus gebruik je het pakket igraph om een netwerk van klanten in een churn-context te genereren en te labelen, en maak je kennis met de basis van network learning. Vervolgens leer je over homophily, dyadicity en heterophilicity, en hoe je die kunt gebruiken voor belangrijke verkennende inzichten in je netwerk. Daarna gebruik je de functionaliteit van het igraph-pakket om diverse netwerkfeatures te berekenen, zowel knooppuntgerichte als buurgebaseerde netwerkkenmerken. Verder gebruik je het Google PageRank-algoritme om netwerkfeatures te berekenen en hun voorspellende kracht empirisch te valideren. Tot slot leer je hoe je een platte gegevensset uit het netwerk genereert en deze analyseert met logistische regressie en random forests.

Network Analysis in R

Supervised Learning in R: Classification

Leer labels van knooppunten in netwerken te voorspellen met netwerkanalyse en beschrijvende kenmerken.

Predictive Analytics met netwerkgdata in R

Leer labels van knooppunten in netwerken te voorspellen met behulp van netwerkleren en door beschrijvende kenmerken uit het netwerk te halen.

Uitdagingen bij Network learning

Predictive Analytics met netwerkgdata in R

Interactieve oefening met praktijkervaring