Neste capítulo, você será apresentado a redes rotuladas, network learning e aos desafios que podem surgir.

Motivação: redes sociais e análise preditiva

Maior probabilidade de churn

Crie uma rede a partir de uma lista de arestas (edgelist)

Redes rotuladas e aprendizado em redes

Rotulando nós

Colorindo nós

Visualizando clientes churners

Classificador de Vizinhos Relacionais

Desafios da inferência baseada em redes

Desafios no aprendizado em redes

Classificador Relacional Probabilístico por Vizinhança

Inferência Coletiva

Introdução, redes e redes rotuladas

Neste capítulo, você vai aprender sobre homofilia e como calcular as duas medidas que podem caracterizá-la: dyadicity e heterophilicty.

Homofilia

Redes homofílicas

Extraindo tipos de arestas

Contando tipos de arestas

Contando nós e calculando a conectância

Diadicidade

Arestas com o mesmo rótulo

Diadicidade dos churners

Diadicidade de não-churners

Heterofilia

Arestas entre rótulos diferentes

Calcular heterofilicidade

Resumo sobre homofilia

Diadicidade, Heterofilicidade e Homofilia

A rede é homofílica?

Neste capítulo, você usará o pacote igraph para calcular diversos recursos de rede e adicioná-los à rede.

Recursos básicos de rede

Recursos simples de rede

Recursos de centralidade

Transitividadde

Recursos baseados em links

Matrizes de adjacência

Recursos baseados em links de segunda ordem

Recursos baseados em links da vizinhança

PageRank

Nó mais influente

Mudanças no PageRank

Convergência do PageRank

PageRank Personalizado

Extrair recursos de PageRank

Featurization de Rede

Neste capítulo, você usará a rede do Capítulo 3 para criar um conjunto de dados plano. Usando técnicas padrão de data mining, você vai construir modelos preditivos e medir seu desempenho com AUC e top decile lift.

Extrair um conjunto de dados

Gerando um conjunto de dados plano

Valores ausentes

Substituir valores ausentes

Variáveis correlacionadas

Construindo um modelo preditivo

Divida em treino e teste

Modelo de regressão logística

Modelo de random forest

Avaliando o desempenho do modelo

Prevendo churn

Medir AUC

Medir o top decile lift

Resumo e considerações finais

Juntando tudo

Student Customers dataset

Student Edge List dataset

Student Network dataset

Neste curso, você vai aprender a realizar análises preditivas de ponta usando dados em rede no R. O objetivo da análise de redes é prever a qual classe um nó da rede pertence, como churner ou não, fraudster ou não, inadimplente ou não, etc. Para isso, discutimos como aproveitar informações da rede e de sua estrutura subjacente de forma preditiva. Mais especificamente, apresentamos a ideia de featurization para que recursos de rede possam ser adicionados a recursos não relacionados à rede, elevando o desempenho de qualquer modelo analítico resultante. Neste curso, você usará o pacote igraph para gerar e rotular uma rede de clientes em um contexto de churn e conhecer os fundamentos de network learning. Depois, você aprenderá sobre homofilia, dyadicity e heterophilicty, e como usá-las para obter insights exploratórios importantes na sua rede. Em seguida, você usará a funcionalidade do pacote igraph para calcular vários recursos de rede, incluindo features centradas no nó e baseadas nos vizinhos. Além disso, você usará o algoritmo Google PageRank para calcular recursos de rede e validar empiricamente seu poder preditivo. Por fim, vamos mostrar como gerar um conjunto de dados plano a partir da rede e analisá-lo usando regressão logística e random forests.

Network Analysis in R

Supervised Learning in R: Classification

Aprenda a prever rótulos de nós em redes usando aprendizado de rede e extraindo características descritivas.

Análise Preditiva com Dados em Rede em R

Aprenda a prever rótulos de nós em redes usando aprendizado de rede e extraindo características descritivas da rede.

Diadicidade de não-churners

Análise Preditiva com Dados em Rede em R

Exercício interativo prático