Вчера мы упомянули относительно простую практическую работу: собрать профили VK кучи заёмщиков, вычислить на них признаки, построить логистическую регрессию, и сказать, что вот такие-то признаки сильно влияют на кредитное поведение людей. Вообще это очень похоже на ежедневную рутину data scientist'a. А что тут можно сделать более научного?
Одно из направлений того, как можно углубить эту работу - рассматривать не только признаки отдельных заёмщиков, но и то, как они взаимодействуют друг с другом в рамках единой сети. Гипотеза, что "хорошие" заёмщики дружат с "хорошими", а "плохие" - с "плохими", на практике подтверждается. Ну и учёным-теоретикам экономистам очень интересно ковыряться в сетевых взаимодействиях, ибо это позволяет усложнить, разнообразить, и в итоге приблизить к жизни теории, которые без этого довольно плоские.
Для любителей и повычислиять, и потеоретизировать есть книга (и одноименный онлайн-курс) Networks, Crowds, and Markets. Книга объединяет в себе кусочки теории графов, теории игр, и приложения этого к разным областям жизни, от политики до эпидемиологии.
Курс: edx.org/course/networks-crowds-markets-cornellx-info2040x-2
Книга: cs.cornell.edu/home/kleinber/networks-book/networks-book.pdf
P.S. На картинке один из моих любимых графов из этой книги - граф романтических отношений в одной из американских школ. Действительно, практически одна большая семья :)
#матчатсть #weirdMath #socialnetworkanalysis