Relational neighbor 分類器

關係模型的基礎是節點之間的行為會互相關聯，也就是說彼此相連的節點傾向屬於同一個類別。特別是，relational neighbor 分類器會根據某節點的鄰近節點與相鄰邊來預測該節點的類別。

資料集 transfers 包含不同帳戶之間的交易。account_info 資料指出哪些帳戶是人頭帳戶（money mule）。然而，我們不知道帳戶 "I41" 是否為人頭帳戶。請使用 relational neighbor 分類器來預測帳戶 "I41" 成為人頭帳戶的傾向。

本練習屬於課程

R 的詐欺偵測

檢視課程

練習說明

建立一個以 transfers 為基礎的「無向」圖，命名為 net。將 directed 設為正確的布林值（TRUE 或 FALSE）。
為每個節點指定顏色：若 account_info$isMoneyMule == TRUE，將 V(net)$color 設為 "darkorange"，否則設為 "slateblue1"。
在 net 上使用 subgraph() 建立名為 subset 的子圖，包含節點 "I41"、"I47"、"I87" 與 "I20"。
對 subnet「以及」net 使用 strength() 函式，將節點 "I41" 的人頭帳戶機率計算為其人頭鄰居所佔的比例。

動手互動練習

試著完成這個範例程式碼，體驗一下這個練習。

# 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")

編輯並執行程式碼