Link-basierte Features

In dieser Übung berechnest du Link-basierte Features erster Ordnung, indem du das Attribut Churn des Netzwerks mit der Adjazenzmatrix des Netzwerks multiplizierst.

Beachte, dass Churn ein binärer Indikator ist: Das Attribut Churn hat 1 für Churner und 0 für Non-Churner. Folglich hat das Attribut 1-Churn 1 für Non-Churner und 0 für Churner. Das ist hilfreich, wenn du die Anzahl der Non-Churn-Nachbarn berechnest.

Diese Übung ist Teil des Kurses

Predictive Analytics mit vernetzten Daten in R

Kurs anzeigen

Anleitung zur Übung

Berechne das Attribut ChurnNeighbors, also die Anzahl der Nachbarn, die gechurnt haben, indem du AdjacencyMatrix mit dem Churn-Attribut von network multiplizierst. Wende as.vector() auf das Ergebnis an und füge es dem Netzwerk hinzu.
Berechne analog NonChurnNeighbors, also die Anzahl der Non-Churn-Nachbarn.
Berechne das Attribut RelationalNeighbor, das Verhältnis der Churner in der Nachbarschaft, indem du ChurnNeighbors durch die Summe aus ChurnNeighbors und NonChurnNeighbors teilst.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Compute the number of churn neighbors
V(network)$ChurnNeighbors <- as.vector(___ %*% V(network)$___)

# Compute the number of non-churn neighbors
V(network)$___ <- as.vector(___ %*% (1 - V(network)$___))

# Compute the relational neighbor probability
V(network)$RelationalNeighbor <- as.vector(V(network)$___ / 
    (V(network)$___ + V(network)$___))

Code bearbeiten und ausführen