网络分析(Network Analysis)入门篇(三) 网络层次性评价

目录

  1. 网络节点的性质
  2. 网络的性质
  3. 网络层次性评价
  4. 动态网络演化——随机图模型
  5. 动态网络演化——有偏好的交友模型

如果在一个企业中,人员通常各司其职,一个员工听命于一个上司,这样会让企业命令传达的更加清晰有效,如果一个员工听命于多个上司,当上级之间意见不合的时候,员工往往会左右为难,进而降低了企业的工作效率。因此,如何衡量一个组织的层次性,也是需要讨论的。下面就引入一些指标来衡量网络的层次性。

  • 图的效率(Graph Efficiency):
    在一个层级森严的组织中,都是树状结构的,在这种结构中,线的数量都是n-1,如下图所示,我们可以清楚的看到7号为整个组织的中心,下面分管2,21,18,14号这四个人,而这四个人又分别管理不同数量的人。
    图的效率定义为1-(实际边的数量减去n减1)/(可能的连接数量,即C(n,2))。如下图所示的时候,那么图的效率就是1,也就是最高。当一张图中有很多连接的时候,图的效率就很低了。
    这里写图片描述
  • 层次度(Hierarchy):
    1-(实际双向连接的边的数量)/(可能双向连接的边的数量,即C(n,2))。我们假想在一个企业的命令传达网络中,如果命令都是从上到下单向传递的,那么我们认为整个的网络很有层次,所以双向连接的数量就很少,层次度就更加接近于1。反之,如果一个企业中,A可以向B传达命令,同时B也可以对A下达命令,那么这个组织就不是那么的有层次性。

  • 联通度(Connectedness):
    一减零散度(Fragmentation)即连通度。零散度(Fragmentation):是指无法互相到达的两点所占的比例,即不连通的节点对数量比所有的可能的节点对的数量,这个概念在有向图中出现。计算方法是计数节点两两之间的连接,如A到B不连通则分子加一,B到A连通则分子不加……之后计算分母,所有可能的两点的连接的数量A(n,2),二者相除。
    我们想在一个组织中,如果是下达命令的网络,如果组织很有层次,那么高层的人可以联系到底层的人,而底层的人没法给高层下达命令,因此分子就会相对较小,这和层次度的感觉有些相似。

评价一个组织的层次性,只用一个指标是不完整的,通常都要综合的考虑不同的情况,做出综合的判断。

  • 0
    点赞
  • 48
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
神经网络的敏感分析是一种评估神经网络对输入数据变化的敏感程度的方法。它可以帮助我们理解神经网络对不同输入的响应,并帮助我们确定哪些输入对网络输出的影响最大。 敏感分析的一种常见方法是通过计算输入变量的梯度来评估其对输出的影响。梯度表示了输出相对于输入的变化率。通过计算梯度,我们可以确定哪些输入对输出的变化有更大的贡献。 以下是一个示例,演示如何进行神经网络的敏感分析: ```python import numpy as np # 定义神经网络模型 def neural_network(inputs, weights): return np.dot(inputs, weights) # 定义敏感分析函数 def sensitivity_analysis(inputs, weights): # 计算输出 output = neural_network(inputs, weights) # 计算梯度 gradients = np.zeros_like(inputs) for i in range(len(inputs)): perturbed_inputs = np.copy(inputs) perturbed_inputs[i] += 1e-6 # 对输入进行微小扰动 perturbed_output = neural_network(perturbed_inputs, weights) gradients[i] = (perturbed_output - output) / 1e-6 # 计算梯度 return gradients # 示例输入和权重 inputs = np.array([1, 2, 3]) weights = np.array([0.5, 0.3, 0.2]) # 进行敏感分析 gradients = sensitivity_analysis(inputs, weights) # 输出梯度 print("Gradients:", gradients) ``` 在上述示例中,我们定义了一个简单的神经网络模型`neural_network`,并使用`sensitivity_analysis`函数计算了输入变量`inputs`对输出的梯度。最后,我们打印出梯度值。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值