ฟีเจอร์แบบ Link-based

ในแบบฝึกหัดนี้ จะคำนวณ link-based feature อันดับแรก โดยนำ attribute Churn ของเครือข่ายมาคูณกับ adjacency matrix ของเครือข่าย

เนื่องจาก churn เป็น binary indicator attribute Churn จึงมีค่า 1 สำหรับ churner และ 0 สำหรับ non-churner ดังนั้น attribute 1-Churn จะมีค่า 1 สำหรับ non-churner และ 0 สำหรับ churner ซึ่งเป็นประโยชน์เมื่อต้องการคำนวณจำนวนเพื่อนบ้านที่เป็น non-churn

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การวิเคราะห์เชิงพยากรณ์โดยใช้ข้อมูลเครือข่ายใน R

ดูคอร์ส

คำแนะนำการฝึกหัด

คำนวณ attribute ChurnNeighbors ซึ่งคือจำนวนเพื่อนบ้านที่ churn โดยคูณ AdjacencyMatrix กับ attribute Churn ของ network จากนั้นใช้ as.vector() กับผลลัพธ์ แล้วเพิ่มลงในเครือข่าย
ในทำนองเดียวกัน ให้คำนวณ NonChurnNeighbors ซึ่งคือจำนวนเพื่อนบ้านที่เป็น non-churn
คำนวณ attribute RelationalNeighbor ซึ่งเป็นสัดส่วนของ churner ในละแวกใกล้เคียง โดยหาร ChurnNeighbors ด้วยผลรวมของ ChurnNeighbors และ NonChurnNeighbors

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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)$___ + V(network)$___))

แก้ไขและรันโค้ด