I det här kapitlet introduceras du till märkta nätverk, nätverksinlärning och de utmaningar som kan uppstå.

Motivation: sociala nätverk och prediktiv analys

Störst risk att churna

Skapa ett nätverk från en kantlista

Märkta nätverk och nätverksinlärning

Märka noder

Färgsätt noder

Visualisera kunder som churnar

Relationsbaserad grannklassificerare

Utmaningar med nätverksbaserad inferens

Utmaningar inom nätverksinlärning

Probabilistisk relationell grannklassificerare

Kollektiv inferens

Introduktion, nätverk och märkta nätverk

I det här kapitlet lär du dig om homofili och hur du beräknar de två mått som används för att karaktärisera den – dyadicitet och heterofili.

Homofili

Homofila nätverk

Extrahera kanttyper

Räkna kantyper

Räkna noder och beräkna konnektans

Dyadicitet

Kanter med samma etikett

Dyadicitet hos churners

Dyadicitet för icke-churners

Heterofili

Korsande etikettskanter

Beräkna heterofilicitet

Sammanfattning av homofili

Dyadicitet, Heterofolicitet & Homofili

Är nätverket homofilt?

I det här kapitlet använder du igraph-paketet för att beräkna olika nätverksegenskaper och lägga till dem i nätverket.

Grundläggande nätverkssärdrag

Enkla nätverkssärdrag

Centralitetssärdrag

Transitivitet

Länkbaserade särdrag

Adjacensmatriser

Länkbaserade särdrag av andra ordningen

Länkbaserade särdrag för grannskapet

PageRank

Den mest inflytelserika noden

Förändringar i PageRank

PageRanks konvergens

Personaliserat PageRank

Extrahera PageRank-särdrag

Nätverks-featurization

I det här kapitlet använder du nätverket från kapitel 3 för att skapa ett platt dataset. Med hjälp av etablerade datautvinningstekniker bygger du prediktiva modeller och mäter deras prestanda med AUC och top decile lift.

Extrahera en datamängd

Skapa en platt datamängd

Saknade värden

Ersätt saknade värden

Korrelerade variabler

Bygg en prediktiv modell

Dela upp i tränings- och testdata

Logistisk regressionsmodell

Slumpskogsmodell

Utvärdera modellens prestanda

Förutsäga churn

Beräkna AUC

Mät topp-decil-lyftet

Sammanfattning och avslutande tankar

Att sätta ihop allt

Student Edge List dataset

Student Customers dataset

Student Network dataset

I den här kursen lär du dig att utföra avancerad prediktiv analys med nätverksdata i R. Målet med nätverksanalys är att förutsäga vilken klass en nätverksnod tillhör – till exempel om en kund är på väg att lämna eller inte, om någon är bedragare eller inte, om en låntagare riskerar att misslyckas med betalningar eller inte. Vi går igenom hur du kan utnyttja information från nätverket och dess underliggande struktur på ett prediktivt sätt. Mer specifikt introducerar vi begreppet featurization, vilket innebär att nätverksegenskaper läggs till icke-nätverksbaserade egenskaper för att förbättra prestandan hos analytiska modeller. I kursen använder du igraph-paketet för att skapa och märka upp ett kundnätverk i ett churn-sammanhang och lär dig grunderna i nätverksinlärning. Du lär dig även om homofili, dyadicitet och heterofili, samt hur dessa kan användas för att få viktiga explorativa insikter om ditt nätverk. Sedan använder du igraph-paketets funktionalitet för att beräkna olika nätverksegenskaper – både nodcentrerade och grannbaserade. Du använder dessutom Googles PageRank-algoritm för att beräkna nätverksegenskaper och empiriskt validera deras prediktiva styrka. Slutligen lär du dig hur du genererar ett platt dataset från nätverket och analyserar det med logistisk regression och slumpmässiga skogar.

Network Analysis in R

Supervised Learning in R: Classification

Bygg förmågor i prediktiv analys i R. Lär dig förutsäga resultat och analysera nätverksdata praktiskt.

Prediktiv analys med nätverksdata i R

Lär dig att förutsäga etiketter för noder i nätverk med nätverksinlärning och genom att extrahera beskrivande egenskaper från nätverket

Störst risk att churna

Prediktiv analys med nätverksdata i R

Interaktiv övning med praktiskt arbete