メインコンテンツへスキップ

コース

R で学ぶネットワークデータの予測分析

中級スキルレベル

更新日 2020/09

ネットワーク学習と特徴量抽出により、ネットワーク内ノードのラベルを予測する方法を学びます

コースを無料で開始

RProbability & Statistics4時間14 ビデオ56 演習4,300 XP4,749達成証明書

無料アカウントを作成

または

続行すると、弊社の利用規約、プライバシーポリシーに同意し、データが米国に保存されることに同意したことになります。

数千の企業の学習者に愛されています

2名以上のトレーニングをお考えですか？

DataCamp for Businessを試す

コース説明

このコースでは、R を使ってネットワークデータによる最先端の予測分析を学びます。ネットワーク分析の目的は、ネットワーク上のノードがどのクラスに属するか（例：解約者か否か、不正者か否か、延滞者か否かなど）を予測することです。そのために、ネットワークとその基盤となる構造から得られる情報を予測に活用する方法を解説します。具体的には、ネットワークの特徴量を非ネットワークの特徴量に追加し、モデルの性能を高める「特徴量化（featurization）」の考え方を紹介します。本コースでは、igraph パッケージを用いて、解約（churn）シナリオの顧客ネットワークを生成・ラベル付けし、ネットワーク学習の基礎を学びます。次に、homophily、dyadicity、heterophilicity を取り上げ、ネットワークの探索的な重要インサイトを得る方法を学びます。その後、igraph パッケージの機能を使って、ノード中心および近傍ベースのさまざまなネットワーク特徴量を計算します。さらに、Google の PageRank アルゴリズムを使って特徴量を算出し、その予測力を実証的に検証します。最後に、ネットワークからフラットなデータセットを生成し、ロジスティック回帰やランダムフォレストで分析する方法を学びます。

前提条件

Network Analysis in R Supervised Learning in R: Classification

1

Introduction, networks and labelled networks

In this chapter you will be introduced to labelled networks, network learning and the challanges that can arise.

Motivation: social networks and predictive analytics

Most likely to churn

Create a network from an edgelist

Labeled networks and network learning

Labeling nodes

Coloring nodes

Visualizing Churners

Relational Neighbor Classifier

Challenges of network-based inference

Challenges in Network learning

Probabilistic Relational Neighbor Classifier

Collective Inferencing

チャプター開始

2

Homophily

In this chapter you will learn about homophily and how to compute the two measures that can be used to characterice it, dyadicity and heterophilicty.

Homophilic networks

Extracting types of edges

Counting types of edges

Counting nodes and computing connectance

Same label edges

Dyadicity of churners

Dyadicity of non-churners

Heterophilicity

Cross label edges

Compute heterophilicity

Summary of homophily

Dyadicity, Heterophilicity, & Homophily

Is the network homophilic?

チャプター開始

3

Network Featurization

In this chapter you will use the igraph package to compute various network features and add them to the network.

Basic Network features

Simple network features

Centrality features

Transitivity

Link-Based Features

Adjacency matrices

Link-based features

Second order link-based features

Neighborhood link-based features

Most influential node

Changes in PageRank

Convergence of PageRank

Personalized PageRank

Extract PageRank features

チャプター開始

4

Putting it all together

In this chapter you will use the network from Chapter 3 to create a flat dataset. Using standard data mining techniques, you will build predictive models and measure their performance with AUC and top decile lift.

Extract a dataset

Getting a flat dataset

Missing Values

Replace missing values

Correlated variables

Building a predictive model

Split into train and test

Logistic regression model

Random forest model

Evaluating model performance

Predicting churn

Measure AUC

Measure top decile lift

Summary and final thoughts

チャプター開始

R で学ぶネットワークデータの予測分析

コース完了

修了証明書を取得

この資格をLinkedInプロフィール、履歴書、CVに追加しましょう
ソーシャルメディアや人事評価で共有しましょう今すぐ登録

19百万人を超える学習者と一緒にR で学ぶネットワークデータの予測分析を今日から始めましょう！

無料アカウントを作成

または

続行すると、弊社の利用規約、プライバシーポリシーに同意し、データが米国に保存されることに同意したことになります。

DataCamp for Mobileでデータスキルを磨きましょう

モバイルコースと毎日の 5 分間のコーディングチャレンジで、外出先でも進歩できます。