Bu bölümde etiketli ağlara, ağ öğrenmesine ve ortaya çıkabilecek zorluklara giriş yapacaksın.

Motivasyon: sosyal ağlar ve öngörücü analitik

Churn yapma olasılığı en yüksek

Bir kenar listesinden ağ oluştur

Etiketli ağlar ve ağ öğrenmesi

Düğümleri etiketleme

Düğümleri renklendirme

Churn Edenleri Görselleştirme

İlişkisel Komşu Sınıflandırıcı

Ağa dayalı çıkarımın zorlukları

Ağ öğrenimindeki zorluklar

Olasılıksal İlişkisel Komşu Sınıflandırıcısı

Kolektif Çıkarım

Giriş, ağlar ve etiketli ağlar

Bu bölümde homophily hakkında ve bunu karakterize etmek için kullanılabilen iki ölçüyü, dyadicity ve heterophilicty, nasıl hesaplayacağını öğreneceksin.

Homofili

Homophilic ağlar

Kenar türlerini çıkarma

Kenar türlerini sayma

Düğümleri sayma ve bağlantılılık (connectance) hesaplama

Dyadicity (İkiliğe eğilim)

Aynı etiketli kenarlar

Terk edenlerin dyadicity değeri

Vazgeçmeyenlerin dyadicity değeri

Heterofilisite

Çapraz etiketli kenarlar

Heterofilikliği hesapla

Homofili özeti

Dyadicity, Heterophilicity ve Homophily

Ağ homofilik mi?

Homophily

Bu bölümde igraph paketini kullanarak çeşitli ağ özelliklerini hesaplayacak ve bunları ağa ekleyeceksin.

Temel ağ özellikleri

Basit ağ özellikleri

Merkezilik özellikleri

Geçişlilik

Bağlantı Tabanlı Özellikler

Bitişiklik matrisleri

Bağlantı tabanlı özellikler

İkinci derece bağlantı tabanlı özellikler

Komşuluk bağlantı tabanlı özellikler

PageRank

En etkili düğüm

PageRank'teki Değişimler

PageRank'in Yakınsaması

Kişiselleştirilmiş PageRank

PageRank özelliklerini çıkar

Ağ Özellikleştirme

Bu bölümde Bölüm 3'teki ağı kullanarak düz bir veri kümesi oluşturacaksın. Standart veri madenciliği tekniklerini kullanarak öngörücü modeller kuracak ve performanslarını AUC ve top decile lift ile ölçeceksin.

Bir veri kümesi çıkar

Düz bir veri kümesi elde etme

Eksik Değerler

Eksik değerleri değiştir

İlişkili değişkenler

Öngörücü bir model oluşturma

Eğitim ve test olarak ayır

Lojistik regresyon modeli

Random forest modeli

Model performansını değerlendirme

Churn tahmini

AUC'yi Ölç

En yüksek desil lift'ini ölç

Özet ve son düşünceler

Hepsini bir araya getirmek

Student Edge List dataset

Student Customers dataset

Student Network dataset

Bu derste, R'da ağ verilerini kullanarak son teknoloji predictive analytics yapmayı öğreneceksin. Ağ analitiğinin amacı, bir ağ düğümünün hangi sınıfa ait olduğunu tahmin etmektir; örneğin terk edecek mi etmeyecek mi, dolandırıcı mı değil mi, temerrüde düşecek mi düşmeyecek mi gibi. Bunu başarmak için, ağdan ve onun temel yapısından gelen bilgiyi öngörüsel bir şekilde nasıl kullanabileceğimizi ele alıyoruz. Daha özel olarak, ağ özelliklerinin ağ dışı özelliklere eklenebilmesi ve böylece ortaya çıkan herhangi bir analitik modelin performansının artırılabilmesi için özellikleştirme fikrini tanıtıyoruz. Bu derste, churn bağlamında bir müşteri ağı oluşturup etiketlemek ve ağ öğrenmesinin temellerini öğrenmek için igraph paketini kullanacaksın. Ardından homophily, dyadicity ve heterophilicty kavramlarını ve bunların ağında nasıl temel keşif içgörüleri sağlamak için kullanılabileceğini öğreneceksin. Sonraki adımda, hem düğüm merkezli hem de komşu tabanlı ağ özelliklerini hesaplamak için igraph paketinin işlevlerini kullanacaksın. Ayrıca, ağ özelliklerini hesaplamak ve öngörü gücünü ampirik olarak doğrulamak için Google PageRank algoritmasını kullanacaksın. Son olarak, ağdan düz bir veri kümesi nasıl oluşturulur ve bunun lojistik regresyon ve random forests ile nasıl analiz edileceğini öğretiyoruz.

Network Analysis in R

Supervised Learning in R: Classification

R'de tahmin analitiği becerileri geliştirin. Gerçek veri setleriyle tahmin yapmayı öğrenin.

R ile Ağ Verileri Kullanarak Predictive Analytics

Ağlardan ağ öğrenimi ve ağdan açıklayıcı özellikler çıkararak düğümlerin etiketlerini tahmin etmeyi öğrenin

Öngörücü bir model oluşturma

Create Your Free Account