Link-gebaseerde features

In deze oefening bereken je first-order link-gebaseerde features door het Churn-attribuut van het netwerk te vermenigvuldigen met de adjacentiematrix van het netwerk.

Let op: omdat churn een binaire indicator is, heeft het attribuut Churn waarde 1 voor churners en 0 voor niet-churners. Daarom heeft het attribuut 1-Churn waarde 1 voor niet-churners en 0 voor churners. Dit is handig bij het berekenen van het aantal niet-churn-buren.

Deze oefening maakt deel uit van de cursus

Predictive Analytics met netwerkgdata in R

Cursus bekijken

Oefeninstructies

Bereken het attribuut ChurnNeighbors, dus het aantal buren dat gechurned heeft, door AdjacencyMatrix te vermenigvuldigen met het Churn-attribuut van network. Pas as.vector() toe op het resultaat en voeg het toe aan het netwerk.
Bereken op dezelfde manier NonChurnNeighbors, dus het aantal niet-churn-buren.
Bereken het attribuut RelationalNeighbor, de verhouding churners in de buurt, door ChurnNeighbors te delen door de som van ChurnNeighbors en NonChurnNeighbors.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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 bewerken en uitvoeren