Analytique prédictive avec des données en réseau sous R

Dans ce cours, vous apprendrez à réaliser une analytique prédictive de pointe à partir de données en réseau sous R. L’objectif de l’analyse de réseaux est de prédire à quelle classe appartient un nœud du réseau, par exemple churner ou non, fraudeur ou non, en défaut ou non, etc. Pour cela, nous expliquons comment exploiter de manière prédictive les informations issues du réseau et de sa structure sous-jacente. Plus précisément, nous présentons l’idée de featurization afin d’ajouter des caractéristiques réseau aux caractéristiques hors réseau, ce qui améliore les performances de tout modèle analytique obtenu. Dans ce cours, vous utiliserez le package igraph pour générer et annoter un réseau de clients dans un contexte de churn et vous familiariser avec les fondements de l’apprentissage sur réseaux. Vous étudierez ensuite l’homophilie, la dyadicité et l’hétérophilie, et la manière de les utiliser pour obtenir des insights exploratoires clés sur votre réseau. Vous utiliserez ensuite les fonctionnalités du package igraph pour calculer diverses caractéristiques réseau, aussi bien centrées sur les nœuds que basées sur les voisins. En outre, vous appliquerez l’algorithme PageRank de Google pour calculer des caractéristiques réseau et valider empiriquement leur pouvoir prédictif. Enfin, nous vous montrerons comment générer un jeu de données plat à partir du réseau et l’analyser à l’aide d’une régression logistique et de forêts aléatoires.