基於連結的特徵
在這個練習中，你將透過把網路的 Churn 屬性與網路的鄰接矩陣相乘，來計算一階的連結型特徵。
請注意，由於流失是二元指標，Churn 屬性對於流失者為 1，對於非流失者為 0。因此，1-Churn 屬性對於非流失者為 1，對於流失者為 0。
這在計算非流失鄰居的數量時很有用。
本練習屬於課程
使用 R 進行網路化資料的預測分析
練習說明
- 計算屬性
ChurnNeighbors（流失鄰居的數量）：將AdjacencyMatrix與network的Churn屬性相乘。對結果套用as.vector()，並將其加入網路。 - 以相同方式計算
NonChurnNeighbors（非流失鄰居的數量）。 - 計算屬性
RelationalNeighbor，也就是鄰域內流失者的比例：以ChurnNeighbors除以ChurnNeighbors與NonChurnNeighbors的總和。
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。
# 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)$___ + V(network)$___))