تحلیل پیش‌بینانه با استفاده از داده‌ شبکه‌ای در R

در این دوره، مدرس چگونگی انجام تحلیل‌های پیش‌بینانه پیشرفته با استفاده از داده‌های شبکه‌ای در R را آموزش می‌دهد. هدف تحلیل شبکه، پیش‌بینی این است که هر گره شبکه به کدام کلاس تعلق دارد؛ برای مثال مشتری ریزشی است یا خیر، متقلب است یا نه، بدهکار است یا خیر و موارد مشابه است. برای رسیدن به این هدف، مدرس توضیح می‌دهد که چگونه می‌توان از اطلاعات موجود در شبکه و ساختار زیربنایی آن به‌صورت پیش‌بینانه استفاده کرد. به‌طور مشخص، مفهوم featurization معرفی می‌شود تا ویژگی‌های شبکه‌ای به ویژگی‌های غیرشبکه‌ای اضافه شوند و در نتیجه عملکرد مدل‌های تحلیلی بهبود یابد.

در این دوره، مدرس از پکیج igraph برای ایجاد و برچسب‌گذاری یک شبکه از مشتریان در سناریوی churn استفاده می‌کند و مبانی network learning را آموزش می‌دهد. سپس مفاهیم homophily، dyadicity و heterophilicity بررسی می‌شوند و نشان داده می‌شود که چگونه می‌توان از آن‌ها برای به‌دست آوردن بینش‌های اکتشافی مهم در شبکه استفاده کرد. در ادامه، با استفاده از قابلیت‌های پکیج igraph، ویژگی‌های مختلف شبکه محاسبه می‌شوند؛ هم ویژگی‌های متمرکز بر گره و هم ویژگی‌های مبتنی بر همسایه‌ها. همچنین از الگوریتم Google PageRank برای محاسبه ویژگی‌های شبکه استفاده می‌شود و قدرت پیش‌بینی آن‌ها به‌صورت تجربی ارزیابی می‌گردد. در نهایت، مدرس آموزش می‌دهد که چگونه می‌توان از شبکه یک دیتاست تخت استخراج کرد و آن را با استفاده از logistic regression و random forests تحلیل نمود.