In this chapter you will be introduced to labelled networks, network learning and the challanges that can arise.

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

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.

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 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.

Grootste kans op churn

Predictive Analytics met netwerkgdata in R

Praktische interactieve oefening