본문으로 바로가기

강의

R로 배우는 네트워크 데이터 기반 Predictive Analytics

중급기술 수준

업데이트됨 2020. 9.

네트워크 학습과 네트워크에서 설명적 특징을 추출해 노드의 레이블을 예측하는 방법을 배웁니다.

무료로 강의 시작

RProbability & Statistics4시간14 동영상56 연습 문제4,300 XP4,749성취 증명서

무료 계정을 만드세요

또는

계속 진행하시면 당사의 이용약관, 개인정보처리방침 및 귀하의 데이터가 미국에 저장되는 것에 동의하시는 것입니다.

수천 개 기업의 학습자들이 사랑하는

2명 이상을 교육하시나요?

DataCamp for Business 체험

강의 설명

이 강의에서는 R을 사용해 네트워크 데이터로 최첨단 Predictive Analytics를 수행하는 방법을 배웁니다. 네트워크 분석의 목표는 이탈 여부, 사기 여부, 연체 여부 등 네트워크 노드가 어떤 클래스에 속하는지를 예측하는 것입니다. 이를 위해 네트워크와 그 기저 구조에서 얻은 정보를 예측적으로 활용하는 방법을 다룹니다. 보다 구체적으로, 네트워크 특징을 비네트워크 특징에 추가해 어떤 분석 모델이든 성능을 높일 수 있도록 하는 특징화(featurization) 개념을 소개합니다. 본 강의에서는 igraph 패키지를 사용해 이탈 사례를 가정한 고객 네트워크를 생성하고 라벨링하며, 네트워크 학습의 기초를 학습합니다. 이어서 homophily, dyadicity, heterophilicty 개념을 배우고, 이를 통해 네트워크에서 핵심 탐색적 인사이트를 얻는 방법을 익힙니다. 다음으로 igraph 패키지의 기능을 활용해 다양한 네트워크 특징을 계산하고, 노드 중심 특징과 이웃 기반 특징을 모두 도출합니다. 또한 Google PageRank 알고리즘을 활용해 네트워크 특징을 계산하고 그 예측력을 경험적으로 검증합니다. 마지막으로, 네트워크에서 평평한(flat) 데이터셋을 생성하고 로지스틱 회귀와 랜덤 포레스트로 분석하는 방법을 배웁니다.

선수 조건

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

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?

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

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

R로 배우는 네트워크 데이터 기반 Predictive Analytics

강의
완료

수료증 획득

LinkedIn 프로필, 이력서 또는 CV에 이 자격증을 추가하세요
소셜 미디어와 성과 평가에서 공유하세요지금 등록

19백만 명 이상의 학습자와 함께 R로 배우는 네트워크 데이터 기반 Predictive Analytics을(를) 시작하세요!

무료 계정을 만드세요

또는

계속 진행하시면 당사의 이용약관, 개인정보처리방침 및 귀하의 데이터가 미국에 저장되는 것에 동의하시는 것입니다.

DataCamp for Mobile을 통해 데이터 분석 능력을 향상시키세요.

모바일 강좌와 매일 5분 코딩 챌린지를 통해 이동 중에도 학습 효과를 높이세요.