Mesures pondérées de centralité
Une autre façon courante d’identifier les sommets importants est d’étudier leur centralité. Il existe plusieurs manières de la mesurer, mais dans cette leçon, nous allons nous concentrer sur deux indicateurs : l’eigen-centralité et la proximité (closeness). L’eigen-centralité a déjà été abordée ; la proximité est une autre manière d’évaluer la centralité. Elle mesure à quel point un sommet est proche de tous les autres. Dans les leçons précédentes, nous n’avons pas explicitement distingué les versions pondérées et non pondérées de la centralité. Ici, nous allons calculer les deux et observer si cela change les résultats.
Dans l’exemple ci-dessous, vous attendez-vous à voir le même sommet à chaque fois ? Selon vous, quelle sera la plus grande différence : entre les métriques elles-mêmes ou entre les versions pondérées et non pondérées ?
Cet exercice fait partie du cours
Études de cas : l’analyse de réseaux avec R
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# 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