În acest capitol vei face cunoștință cu rețelele etichetate, învățarea pe rețele și provocările care pot apărea.

Motivație: rețele sociale și analiză predictivă

Cel mai probabil să renunțe la serviciu

Creează o rețea dintr-o listă de muchii

Rețele etichetate și învățare în rețele

Etichetarea nodurilor

Colorarea nodurilor

Vizualizarea clienților care renunță la servicii

Clasificatorul Relational Neighbor

Provocările inferenței bazate pe rețele

Provocări în învățarea pe rețele

Clasificatorul probabilistic relațional al vecinilor

Inferență colectivă

Introducere, rețele și rețele etichetate

În acest capitol vei învăța despre homofilie și cum să calculezi cele două măsuri folosite pentru a o caracteriza: diadicitatea și heterofilia.

Homofilie

Rețele homofiliace

Extragerea tipurilor de muchii

Numărarea tipurilor de muchii

Numărarea nodurilor și calcularea conectanței

Diadicitate

Muchii cu aceeași etichetă

Dyadicitatea clienților care renunță

Diadicitatea non-churnerilor

Heterofilie

Muchii între etichete diferite

Calculează heterofilia

Rezumat al homophily-ului

Diadicitate, Heterofilie și Homofilie

Rețeaua este homofil ică?

În acest capitol vei folosi pachetul igraph pentru a calcula diverse caracteristici de rețea și a le adăuga la rețea.

Caracteristici de bază ale rețelei

Caracteristici simple de rețea

Caracteristici de centralitate

Transitivitate

Caracteristici bazate pe legături

Matrice de adiacență

Caracteristici bazate pe legături de ordinul doi

Caracteristici bazate pe legăturile din vecinătate

PageRank

Cel mai influent nod

Modificări în PageRank

Convergența PageRank

PageRank personalizat

Extrage caracteristici PageRank

Featurizarea rețelei

În acest capitol vei folosi rețeaua din Capitolul 3 pentru a crea un set de date plat. Folosind tehnici standard de data mining, vei construi modele predictive și vei măsura performanța acestora cu AUC și top decile lift.

Extrage un set de date

Obținerea unui set de date plat

Valori lipsă

Înlocuiește valorile lipsă

Variabile corelate

Construirea unui model predictiv

Împarte în antrenament și testare

Model de regresie logistică

Modelul de pădure aleatoare

Evaluarea performanței modelului

Predicția abandonului

Măsoară AUC-ul

Măsoară lift-ul primului decilă

Rezumat și gânduri finale

Totul împreună

Student Edge List dataset

Student Customers dataset

Student Network dataset

În acest curs vei învăța să efectuezi analiză predictivă de ultimă generație folosind date de rețea în R. Scopul analizei de rețea este de a prezice clasa căreia îi aparține un nod din rețea – de exemplu, client care renunță la servicii sau nu, fraudator sau nu, rău-platnic sau nu etc. În acest sens, discutăm cum să valorifici informațiile din rețea și structura sa subiacentă într-un mod predictiv. Mai concret, introducem conceptul de featurizare, astfel încât caracteristicile de rețea să poată fi adăugate la caracteristicile non-rețea, sporind performanța oricărui model analitic rezultat. În acest curs, vei folosi pachetul igraph pentru a genera și eticheta o rețea de clienți într-un scenariu de tip churn și vei învăța bazele învățării pe rețele. Vei explora apoi homofilia, diadicitatea și heterofilia, și cum pot fi folosite pentru a obține informații exploratorii esențiale despre rețea. Vei utiliza funcționalitățile pachetului igraph pentru a calcula diverse caracteristici de rețea, atât centrate pe noduri, cât și bazate pe vecini. În plus, vei folosi algoritmul Google PageRank pentru a calcula caracteristici de rețea și a le valida empiric puterea predictivă. În final, vei învăța cum să generezi un set de date plat din rețea și să îl analizezi folosind regresie logistică și păduri aleatoare.

Network Analysis in R

Supervised Learning in R: Classification

Dezvoltă abilități de analiză predictivă în R. Învață să prevezi rezultate și să analizezi date reale.

Analiză predictivă folosind date de rețea în R

Învață să prezici etichetele nodurilor din rețele folosind network learning și extrăgând caracteristici descriptive din rețea

Rețele homofiliace

Analiză predictivă folosind date de rețea în R

Exercițiu interactiv practic