Mesures de centralité pondérées
Une autre façon courante d'identifier des sommets importants est la centralité. Il existe plusieurs façons de la mesurer, mais pour cette leçon, nous en examinerons deux : la centralité propre (eigen centrality) et la proximité (closeness). La centralité propre a déjà été abordée; la proximité est une autre manière d'évaluer la centralité. Elle tient compte de la proximité d'un sommet par rapport à l'ensemble des autres sommets. Dans les leçons précédentes, nous n'avons pas distingué explicitement les versions pondérées et non pondérées de la centralité. Dans cette leçon, nous calculerons les deux et verrons si cela change le résultat.
Dans l'exemple ci-dessous, vous attendez-vous à voir le même sommet chaque fois? Selon vous, quelle sera la plus grande différence : entre les mesures elles-mêmes ou entre les versions pondérée et non pondérée?
Cette activité fait partie du cours
Études de cas : analyse de réseaux en R
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# This calculates weighted eigen-centrality
ec_weight <- eigen_centrality(trip_g_simp, directed = TRUE)$vector
# Calculate unweighted eigen-centrality
ec_unweight <- eigen_centrality(___, directed = ___, weights = ___)$vector