Prediktiv analys med nätverksdata i R

I den här kursen lär du dig att utföra avancerad prediktiv analys med nätverksdata i R. Målet med nätverksanalys är att förutsäga vilken klass en nätverksnod tillhör – till exempel om en kund är på väg att lämna eller inte, om någon är bedragare eller inte, om en låntagare riskerar att misslyckas med betalningar eller inte. Vi går igenom hur du kan utnyttja information från nätverket och dess underliggande struktur på ett prediktivt sätt. Mer specifikt introducerar vi begreppet featurization, vilket innebär att nätverksegenskaper läggs till icke-nätverksbaserade egenskaper för att förbättra prestandan hos analytiska modeller. I kursen använder du igraph-paketet för att skapa och märka upp ett kundnätverk i ett churn-sammanhang och lär dig grunderna i nätverksinlärning. Du lär dig även om homofili, dyadicitet och heterofili, samt hur dessa kan användas för att få viktiga explorativa insikter om ditt nätverk. Sedan använder du igraph-paketets funktionalitet för att beräkna olika nätverksegenskaper – både nodcentrerade och grannbaserade. Du använder dessutom Googles PageRank-algoritm för att beräkna nätverksegenskaper och empiriskt validera deras prediktiva styrka. Slutligen lär du dig hur du genererar ett platt dataset från nätverket och analyserar det med logistisk regression och slumpmässiga skogar.