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

Motivation: social networks and predictive analytics

Most likely to churn

Create a network from an edgelist

Labeled networks and network learning

Labeling nodes

Coloring nodes

Visualizing Churners

Relational Neighbor Classifier

Challenges of network-based inference

Challenges in 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.

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

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

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.

Recursos de centralidade

Análise Preditiva com Dados em Rede em R

exercicio interativo prático