Pular para o conteúdo principal

Curso

Análise Preditiva com Dados em Rede em R

IntermediárioNível de habilidade

Atualizado 09/2020

Aprenda a prever rótulos de nós em redes usando aprendizado de rede e extraindo características descritivas da rede.

Iniciar Curso Gratuitamente

RProbability & Statistics4 h14 vídeos56 Exercícios4,300 XP4,749Certificado de conclusão

Crie sua conta gratuita

ou

Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados serão armazenados nos EUA.

Preferido por alunos de milhares de empresas

Treinar 2 ou mais pessoas?

Experimentar DataCamp for Business

Descrição do curso

Neste curso, você vai aprender a realizar análises preditivas de ponta usando dados em rede no R. O objetivo da análise de redes é prever a qual classe um nó da rede pertence, como churner ou não, fraudster ou não, inadimplente ou não, etc. Para isso, discutimos como aproveitar informações da rede e de sua estrutura subjacente de forma preditiva. Mais especificamente, apresentamos a ideia de featurization para que recursos de rede possam ser adicionados a recursos não relacionados à rede, elevando o desempenho de qualquer modelo analítico resultante. Neste curso, você usará o pacote igraph para gerar e rotular uma rede de clientes em um contexto de churn e conhecer os fundamentos de network learning. Depois, você aprenderá sobre homofilia, dyadicity e heterophilicty, e como usá-las para obter insights exploratórios importantes na sua rede. Em seguida, você usará a funcionalidade do pacote igraph para calcular vários recursos de rede, incluindo features centradas no nó e baseadas nos vizinhos. Além disso, você usará o algoritmo Google PageRank para calcular recursos de rede e validar empiricamente seu poder preditivo. Por fim, vamos mostrar como gerar um conjunto de dados plano a partir da rede e analisá-lo usando regressão logística e random forests.

Pré-requisitos

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

Iniciar Capítulo

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?

Iniciar Capítulo

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

Iniciar Capítulo

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

Iniciar Capítulo

Análise Preditiva com Dados em Rede em R

Curso
concluído

Obtenha um certificado de conclusão

Adicione esta credencial ao seu perfil do LinkedIn, currículo ou CV
Compartilhe nas redes sociais e em sua avaliação de desempenhoInscreva-se Agora

Faça como mais de 19 milhões de alunos e comece Análise Preditiva com Dados em Rede em R hoje mesmo!

Crie sua conta gratuita

ou

Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados serão armazenados nos EUA.

Desenvolva suas habilidades em dados com o app do DataCamp

Continue progredindo em qualquer lugar com nossos cursos para celular e desafios diários de programação de 5 minutos.