Chuyển đến nội dung chính

Khóa học

Phân tích dự đoán với dữ liệu mạng trong R

Trung cấpTrình độ kỹ năng

Đã cập nhật tháng 09, 2020

Bắt Đầu Khóa Học Miễn Phí

RProbability & Statistics4 giờ14 video56 Bài tập4,300 XP4,750Giấy Chứng Nhận Thành Tích

Tạo tài khoản miễn phí

hoặc

Bằng cách tiếp tục, bạn chấp nhận Điều khoản sử dụng, Chính sách bảo mật và việc dữ liệu của bạn được lưu trữ tại Hoa Kỳ.

Được yêu thích bởi học viên tại hàng nghìn công ty

Đào tạo 2 người trở lên?

Thử DataCamp for Business

Mô tả khóa học

Trong khóa học này, bạn sẽ học cách thực hiện phân tích dự đoán tiên tiến với dữ liệu mạng trong R. Mục tiêu của phân tích mạng là dự đoán một nút mạng thuộc lớp nào, chẳng hạn như có rời bỏ hay không, gian lận hay không, vỡ nợ hay không, v.v. Để làm được điều đó, chúng ta sẽ khai thác thông tin từ mạng và cấu trúc nền tảng của nó theo cách phục vụ dự đoán. Cụ thể hơn, chúng ta giới thiệu ý tưởng “featurization” để các đặc trưng từ mạng có thể được bổ sung vào các đặc trưng ngoài mạng, từ đó nâng cao hiệu quả của mô hình phân tích. Trong khóa học này, bạn sẽ dùng gói igraph để tạo và gán nhãn một mạng khách hàng trong bối cảnh churn và tìm hiểu các nền tảng của học từ mạng. Tiếp đó, bạn sẽ học về homophily, dyadicity và heterophilicity, và cách dùng chúng để rút ra những insight khám phá quan trọng trong mạng. Kế đến, bạn sẽ sử dụng chức năng của gói igraph để tính nhiều đặc trưng mạng nhằm thu được cả đặc trưng tập trung vào nút và đặc trưng dựa trên hàng xóm. Hơn nữa, bạn sẽ dùng thuật toán Google PageRank để tính các đặc trưng mạng và kiểm chứng thực nghiệm sức mạnh dự đoán của chúng. Cuối cùng, chúng tôi hướng dẫn bạn tạo một bộ dữ liệu phẳng từ mạng và phân tích nó bằng logistic regression và random forests.

Điều kiện tiên quyết

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

Bắt Đầu Chương

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?

Bắt Đầu Chương

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

Bắt Đầu Chương

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

Bắt Đầu Chương

Phân tích dự đoán với dữ liệu mạng trong R

Hoàn
Thành

Nhận Giấy Chứng Nhận Hoàn Thành

Thêm chứng chỉ này vào hồ sơ LinkedIn, CV hoặc sơ yếu lý lịch của ban
Chia sẻ trên mạng xã hội và trong đánh giá hiệu suất của banĐăng Ký Ngay

Tham gia cùng hơn 19 triệu học viên và bắt đầu Phân tích dự đoán với dữ liệu mạng trong R ngay hôm nay!

Tạo tài khoản miễn phí

hoặc

Bằng cách tiếp tục, bạn chấp nhận Điều khoản sử dụng, Chính sách bảo mật và việc dữ liệu của bạn được lưu trữ tại Hoa Kỳ.

Phát triển kỹ năng dữ liệu với DataCamp cho thiết bị di động

Tiến bộ mọi lúc mọi nơi với các khóa học cho thiết bị di động và thử thách lập trình 5 phút hằng ngày.