शुरू करेंमुफ़्त में शुरू करें

Relational neighbor classifier

एक रिलेशन मॉडल इस विचार पर आधारित होता है कि नोड्स के बीच का व्यवहार सह-संबद्ध होता है, यानी जुड़े हुए नोड्स के एक ही क्लास में होने की प्रवृत्ति होती है. विशेष रूप से, रिलेशनल नेबर क्लासिफ़ायर किसी नोड के आस-पड़ोस के नोड्स और उनसे जुड़ी एजेस के आधार पर उस नोड की क्लास की भविष्यवाणी करता है.

transfers डेटासेट में अलग-अलग अकाउंट्स के ट्रांज़ैक्शन्स हैं. account_info डेटा बताता है कि इनमें से कौन से अकाउंट्स मनी म्यूल हैं. हालाँकि, यह अज्ञात है कि अकाउंट "I41" मनी म्यूल है या नहीं. रिलेशनल नेबर क्लासिफ़ायर का उपयोग करके अकाउंट "I41" के मनी म्यूल होने की प्रवृत्ति का अनुमान लगाइए.

यह अभ्यास पाठ्यक्रम का हिस्सा है

R में Fraud Detection

पाठ्यक्रम देखें

अभ्यास निर्देश

  • transfers के आधार पर net नाम का एक undirected ग्राफ बनाएँ. directed को उपयुक्त बूलियन (TRUE या FALSE) पर सेट करें.
  • हर नोड के लिए रंग तय करें: यदि account_info$isMoneyMule == TRUE हो तो V(net)$color को "darkorange" सेट करें, अन्यथा "slateblue1".
  • net पर subgraph() का उपयोग करके subset नाम का एक सबग्राफ बनाएँ जिसमें वर्टिसेज़ "I41", "I47", "I87" और "I20" शामिल हों.
  • subnet और net पर strength() फंक्शन का उपयोग करें ताकि नोड "I41" के मनी म्यूल होने की प्रॉबेबिलिटी को उसके म्यूल नेबर्स के अंश के रूप में निकाला जा सके

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# From data frame to graph
net <- graph_from_data_frame(___, directed = ___)

# Plot the network; color nodes according to isMoneyMule-variable
___(___)$color <- ifelse(___$___ == TRUE, ___, ___)
plot(net, vertex.label.color = "black", vertex.label.font = 2, vertex.size = 18)

# The id's of the money mule accounts:
print(account_info$id[account_info$isMoneyMule == TRUE])

# Create subgraph containing node "I41" and all money mules nodes "I47", "I87", "I20":
subnet <- ___(___, v = c(___))

# Compute the money mule probability of node "I41" based on the neighbors
___(___, v = "I41") / ___(___, v = "I41")
कोड संपादित करें और चलाएँ