Predictive Analytics mit vernetzten Daten in R

In diesem Kurs lernst du, modernste Predictive Analytics mit vernetzten Daten in R durchzuführen. Ziel der Netzwerkanalyse ist es, vorherzusagen, zu welcher Klasse ein Netzwerkknoten gehört – zum Beispiel Churner oder nicht, Betrüger oder nicht, Zahlungsausfall oder nicht usw. Dafür zeigen wir dir, wie du Informationen aus dem Netzwerk und seiner Struktur gezielt für Vorhersagen nutzt. Konkret führen wir das Konzept der Featurization ein, sodass Netzwerkmerkmale zu Nicht-Netzwerkmerkmalen ergänzt werden können, um die Leistung jedes resultierenden Analysemodells zu verbessern. In diesem Kurs arbeitest du mit dem Paket igraph, um in einem Churn-Szenario ein Kundennetzwerk zu erzeugen und zu labeln und lernst die Grundlagen des Network Learning kennen. Danach lernst du Homophilie, Dyadicity und Heterophilie kennen und wie du damit wichtige explorative Einblicke in dein Netzwerk gewinnst. Anschließend verwendest du die Funktionen des igraph-Pakets, um verschiedene Netzwerkfeatures zu berechnen – sowohl knoten-zentrierte als auch nachbarschaftsbasierte Merkmale. Außerdem setzt du den Google-PageRank-Algorithmus ein, um Netzwerkmerkmale zu berechnen und ihre Vorhersagekraft empirisch zu validieren. Abschließend zeigen wir dir, wie du aus dem Netzwerk einen flachen Datensatz erzeugst und ihn mit logistischer Regression und Random Forests analysierst.