W tym rozdziale poznasz sieci z etykietami, uczenie na sieciach oraz wyzwania, jakie mogą się z tym wiązać.

Motywacja: sieci społecznościowe i analityka predykcyjna

Największe ryzyko odejścia

Tworzenie sieci na podstawie listy krawędzi

Sieci etykietowane i uczenie w sieciach

Etykietowanie węzłów

Kolorowanie węzłów

Wizualizacja odchodzących klientów

Klasyfikator sąsiedztwa relacyjnego

Wyzwania wnioskowania opartego na sieciach

Wyzwania w uczeniu sieciowym

Probabilistyczny klasyfikator relacyjny oparty na sąsiadach

Wnioskowanie zbiorowe

Wprowadzenie, sieci i sieci z etykietami

W tym rozdziale dowiesz się, czym jest homofilia, i nauczysz się obliczać dwie miary służące do jej charakteryzowania: dyadyczność i heterofilię.

Homofilia

Sieci homofiliczne

Wyodrębnianie typów krawędzi

Zliczanie typów krawędzi

Zliczanie węzłów i obliczanie konektancji sieci

Dyadyczność

Krawędzie łączące węzły tej samej etykiety

Dyadyczność klientów odchodzących

Dyadyczność węzłów non-churn

Heterofilia

Krawędzie między różnymi etykietami

Obliczanie heterofilii

Podsumowanie homofilii

Diadyczność, heterofilia i homofilia

Czy sieć jest homofiliczna?

W tym rozdziale użyjesz pakietu igraph, aby obliczyć różne cechy sieciowe i dodać je do sieci.

Podstawowe cechy sieci

Proste cechy sieci

Cechy centralności

Przechodniość

Cechy oparte na połączeniach

Macierze sąsiedztwa

Cechy oparte na powiązaniach

Cechy oparte na połączeniach drugiego rzędu

Cechy węzłów oparte na połączeniach sąsiedztwa

PageRank

Najbardziej wpływowy węzeł

Zmiany w PageRank

Zbieżność PageRank

Spersonalizowany PageRank

Wyodrębnianie cech PageRank

Featuryzacja sieci

W tym rozdziale wykorzystasz sieć z rozdziału 3 do stworzenia płaskiego zbioru danych. Korzystając ze standardowych technik eksploracji danych, zbudujesz modele predykcyjne i zmierzysz ich skuteczność za pomocą AUC oraz wyniesienia w pierwszym decylu.

Przygotuj zbiór danych

Tworzenie płaskiego zbioru danych

Brakujące wartości

Zastąp brakujące wartości

Skorelowane zmienne

Budowanie modelu predykcyjnego

Podział na zbiór treningowy i testowy

Model regresji logistycznej

Model lasu losowego

Ocena wydajności modelu

Przewidywanie odejść klientów

Pomiar AUC

Pomiar liftu pierwszego decyla

Podsumowanie i przemyślenia końcowe

Wszystko razem

Student Edge List dataset

Student Customers dataset

Student Network dataset

W tym kursie nauczysz się przeprowadzać zaawansowaną analizę predykcyjną z wykorzystaniem danych sieciowych w R. Celem analityki sieciowej jest przewidywanie, do której klasy należy dany węzeł sieci – na przykład: klient odchodzący czy nie, oszust czy nie, dłużnik czy nie. Omówimy, jak wykorzystać informacje z sieci i jej struktury w celach predykcyjnych. W szczególności poznasz ideę featuryzacji, która pozwala uzupełnić cechy niesieciowe o cechy sieciowe, zwiększając skuteczność modeli analitycznych. W trakcie kursu użyjesz pakietu igraph, aby zbudować i oznaczyć sieć klientów w kontekście odejść, oraz poznasz podstawy uczenia na sieciach. Następnie dowiesz się, czym jest homofilia, dyadyczność i heterofilia, i jak można je wykorzystać do eksploracji sieci. Później skorzystasz z funkcjonalności pakietu igraph, aby obliczyć różne cechy sieciowe – zarówno te skupione na węzłach, jak i oparte na sąsiedztwie. Poznasz też algorytm Google PageRank i empirycznie zweryfikujesz predykcyjną moc cech sieciowych. Na koniec nauczysz się tworzyć płaski zbiór danych z sieci i analizować go za pomocą regresji logistycznej oraz lasów losowych.

Network Analysis in R

Supervised Learning in R: Classification

Zdobądź umiejętności analizy predykcyjnej w R. Ucz się prognozować wyniki i analizować dane sieciowe.

Predykcyjna analityka sieciowa w R

Naucz się przewidywać etykiety węzłów w sieciach, wykorzystując uczenie sieciowe i wyodrębniając opisowe cechy z sieci

Największe ryzyko odejścia

Predykcyjna analityka sieciowa w R

Interaktywne ćwiczenie praktyczne