Ağırlıklı Kümeleşme Rastgeleleştirmeleri
Düşük bağlantılı bir grafiğin, tesadüfe göre çok daha yüksek olacak şekilde, çok yüksek bir kümeleşmeye de sahip olacağı hipotezini destekleyen kanıtlar görebiliriz. Ama grafiğimiz yalnızca yönsüz bir grafikten ibaret değil; ayrıca yapılan yolculuk sayısını temsil eden ağırlıklar da içeriyor. Bu yüzden rastgeleleştirmede göz önünde bulundurmamız gereken birkaç şey var. Birincisi, metriğin ağırlıklı sürümü yalnızca yerel; yani her bir tepe için bir geçişkenlik değeri hesaplanıyor. İkincisi, rastgele grafik ağırlıkları içermiyor. Bu iki sorunu çözmek için, ortalama tepe geçişkenliğine bakacağız ve biraz daha karmaşık bir rastgeleleştirme şeması uygulayacağız.
Bir ağın ağırlıklı tepe geçişkenliğini hesaplamak için, transitivity() çağrında type argümanını "weighted" olarak ayarlaman gerekir.
Bisiklet yolculuğu ağı trip_g_simp hazır durumda.
Bu egzersiz, kursun bir parçasıdır
Vaka Çalışmaları: R ile Ağ Analizi
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# Find the mean local weighted clustering coeffecient using transitivity()
actual_mean_weighted_trans <- mean(___(___, type = "weighted"))
# Calculate the order
n_nodes <- ___(trip_g_simp)
# Calculate the edge density
edge_dens <- edge_density(___)
# Get edge weights
edge_weights <- E(___)$___