本章将向您介绍标注网络、网络学习，以及可能遇到的挑战。

动机：社交网络与预测分析

最可能流失

从边列表创建网络

有标签网络与网络学习

为节点打标签

为节点着色

可视化流失用户

关系邻居分类器

基于网络推断的挑战

网络学习中的挑战

概率式关系邻居分类器

集体推断

引言、网络与标注网络

本章将讲解同质性，以及如何计算用于表征同质性的两项度量：二元性与异质性。

同质性（Homophily）

同质性网络

提取边的类型

统计不同类型的边

统计节点并计算连通度

成对性（Dyadicity）

相同标签的边

流失者的二元性

非流失者的二元性

Heterophilicity（异质亲和性）

跨标签的边

计算异配性

同质性总结

Dyadicity、Heterophilicity 与 Homophily

这个网络是否表现出同质性？

同质性

本章将使用 igraph 包计算多种网络特征，并将其加入网络。

基础网络特征

简单网络特征

中心性特征

传递性

基于链接的特征

邻接矩阵

二阶基于链接的特征

基于邻域链接的特征

PageRank

最具影响力的节点

PageRank 的变化

PageRank 的收敛性

个性化 PageRank

提取 PageRank 特征

网络特征化

本章将基于第 3 章的网络创建一个平面数据集。您将使用标准的数据挖掘技术构建预测模型，并通过 AUC 与 top decile lift 评估其性能。

提取一个数据集

生成扁平数据集

缺失值

替换缺失值

构建预测模型

划分训练集与测试集

Logistic regression model

随机森林模型

评估模型表现

预测流失

计算 AUC

测量十分位提升度（top decile lift）

总结与收获

整合应用

Student Edge List dataset

Student Customers dataset

Student Network dataset

在本课程中，您将学习如何在 R 中使用网络数据开展先进的预测分析。网络分析的目标是预测网络节点所属的类别，例如是否流失、是否欺诈、是否违约等。为此，我们将讨论如何以预测为导向，利用网络及其底层结构中的信息。更具体地说，我们将介绍特征化（featurization）的思路，把网络特征与非网络特征结合，从而提升最终分析模型的表现。在本课程中，您将使用 igraph 包，在用户流失场景下生成并标注客户网络，并学习网络学习的基础。接着，您将学习同质性（homophily）、二元性（dyadicity）与异质性（heterophilicity），以及如何用它们对网络进行关键的探索性分析。随后，您将借助 igraph 包的功能计算多种网络特征，既包括以节点为中心的特征，也包括基于邻居的网络特征。此外，您还将使用 Google 的 PageRank 算法来计算网络特征，并以实证方式验证其预测能力。最后，我们将教您如何从网络生成平面数据集，并使用逻辑回归与随机森林进行分析。

Network Analysis in R

Supervised Learning in R: Classification

在R中培养预测分析技能，通过实践练习和真实数据集学习预测结果和分析网络数据。

使用 R 进行网络数据的预测分析

掌握通过网络学习和提取描述性特征来预测网络中节点的标签

网络学习中的挑战

使用 R 进行网络数据的预测分析

动手互动练习