แรงจูงใจ: โซเชียลเน็ตเวิร์กและการวิเคราะห์เชิงพยากรณ์

การวิเคราะห์เชิงพยากรณ์โดยใช้ข้อมูลเครือข่ายใน R

Bart Baesens, Ph.D.

Professor of Data Science, KU Leuven and University of Southampton

การประยุกต์ใช้งาน

อายุ
เพศ
การฉ้อโกง

เครือข่ายการฉ้อโกง

การเลิกใช้บริการ (Churn)
- การสูญเสียลูกค้า
- บริษัทพยากรณ์ว่าใครมีแนวโน้มเลิกใช้บริการ โดยใช้
  1. เทคนิค Machine Learning
  2. โซเชียลเน็ตเวิร์ก

ภาพรวม

โซเชียลเน็ตเวิร์กที่มีป้ายกำกับ
- สร้างและกำกับเน็ตเวิร์ก
- การเรียนรู้จากเน็ตเวิร์ก
Homophily
- วัดความสัมพันธ์เชิงพึ่งพา
- Heterophilicity และ Dyadicity

การสร้างฟีเจอร์จากเน็ตเวิร์ก
- คำนวณฟีเจอร์ของโหนด
การสร้างโมเดลพยากรณ์จากเน็ตเวิร์ก
- แปลงเน็ตเวิร์กเป็นชุดข้อมูลแบบตาราง
- พยากรณ์การเลิกใช้บริการของลูกค้า

เครือข่ายความร่วมมือ

library(igraph); 
DataScienceNetwork <- data.frame(
  from = c('A', 'A', 'A', 'A', 'B', 'B', 'C', 'C', 'D', 'D', 'D', 'E',
          'F', 'F', 'G', 'G', 'H', 'H', 'I'),
  to = c('B','C','D','E','C','D','D', 'G','E', 'F','G','F','G','I', 
          'I','H','I','J','J'))
g <- graph_from_data_frame(DataScienceNetwork, directed = FALSE)

pos <- cbind(c(2, 1, 1.5, 2.5, 4, 4. 5, 3, 3.5, 5, 6), 
             c(10.5, 9.5, 8, 8.5, 9, 7.5, 6, 4.5, 5.5, 4))
plot.igraph(g, edge.label = NA, edge.color = 'black', layout = pos, 
            vertex.label = V(g)$name, vertex.color = 'white', 
            vertex.label.color = 'black', vertex.size = 25)

เครือข่ายความร่วมมือ

V(g)$technology <-
  c('R','R','?','R','R',
    'R','P','P','P','P')
V(g)$color <- V(g)$technology

V(g)$color <- gsub('R',"blue3", V(g)$color)
V(g)$color <- gsub('P',"green4", V(g)$color) 
V(g)$color <- gsub('?',"gray", V(g)$color)

เครือข่าย Churn

edgeList

  from    to
1    1   393
2    1  2573
3    1  4430
4  393   926
5  393  1574

Churn

มาฝึกกันเถอะ!

การวิเคราะห์เชิงพยากรณ์โดยใช้ข้อมูลเครือข่ายใน R