Netwerkanalyse
90 methoden in deze familie.
Uitgelicht
Betweenness CentralityBetweenness centrality, formalized by Linton C. Freeman in 1977, measures how often a node lies on the shortest path connecting every other pair of nodes in a network. High-betweenBipartiete NetwerkanalyseBipartite network analysis, formalised by Borgatti and Everett in 1997, is a graph-structural method for studying networks in which nodes are divided into two disjoint sets — actorCentraaliteitsanalyseCentrality analysis is a family of network-analytic measures, formalized by Freeman (1979), that quantifies the structural importance of individual nodes within a graph. Each centrKloppertnesscentraliteitCloseness centrality measures how quickly a node can reach all others in a network by computing the inverse of its average shortest-path distance to every other node. First describCommunity DetectionCommunity detection is a family of graph-partitioning algorithms that discover densely connected sub-groups — communities — within a network. First formalised through the modularitGraadcentraliteitDegree centrality is the simplest and most intuitive measure of a node's importance in a network, defined as the number of direct ties a node has to other nodes. Normalized by divi
Leesroute
De meest geraadpleegde fundamentele methoden van dit onderwerp, in de volgorde waarin ze zijn ontwikkeld — een plek om te beginnen als u hier nieuw bent.
Alle methoden 90
Betweenness CentralityBipartiete NetwerkanalyseCentraaliteitsanalyseKloppertnesscentraliteitCommunity DetectionGraadcentraliteitGerichte Betweenness CentraliteitGerichte Closeness CentraliteitGerichte gemeenschapsdetectieGerichte Ego-NetwerkanalyseGerichte EigenvectorcentraliteitGericht model voor Willekeurige Grafen (Directed ERGM)Gerichte KennisgraafanalyseModulariteitsanalyse voor gerichte grafenGerichte MultiplexnetwerkanalyseAnalyse van gerichte netwerkdiffusieGerichte PageRankGerichte NetwerkanalyseGerichte Twee-Modale NetwerkanalyseDynamische nabijheidscentraliteitDynamische gemeenschapsdetectieDynamische GraadcentraliteitDynamische ego-netwerkanalyseDynamische eigenvector-centraliteitDynamisch Exponentieel Random Graaf ModelDynamische ModulariteitsanalyseDynamic PageRankDynamisch Stochastisch BlokmodelDynamische tweemode-netwerkanalyseEgo NetwerkanalyseEigenvector CentralityExponentieel-graafmodel (ERGM / p*)GrafkernenGraaf Neuraal Netwerkk-Core DecompositionAnalyse van kennisgrafenKnowledge Graph EmbeddingsLinkpredictieModularity AnalysisMultilayer Betweenness CentralityMultilayer Closeness CentralityMultilayer Community DetectionMultilayer Degree CentralityMultilayer KennisgraafanalyseMultilayer NetwerkanalyseMultilayer Network Diffusion AnalysisMultilayer PageRankAnalyse van Multilayer-socialenetwerkenMeerlagig Stochastisch BlokmodelMultilayer Temporal Network AnalysisMultilayer Twee-Modus NetwerkanalyseMultiplex NetwerkanalyseNetwerkdiffusieanalyseNetwerk-embeddingNetwerkanalyse van motievenNetwerkveerkracht en kwetsbaarheidsanalysePageRank CentralitySociale NetwerkanalyseStochastic Block ModelTemporale Betweenness CentraliteitTemporele Nabijheid CentraliteitTemporale gemeenschapsdetectieTemporele graadcentraliteitTemporale Eigenvector CentraliteitTemporele kennisgraafanalyseTemporele modulariteitsanalyseAnalyse van Temporele MultiplexnetwerkenTemporale NetwerkanalyseAnalyse van Temporele NetwerkdiffusieTemporele PageRankTemporele Sociale NetwerkanalyseTemporal Stochastic Block ModelTemporele tweemode netwerkanalyseTwee-modenetwerkanalyseGewogen tussenheidscentraliteitGewogen Closeness CentralityGewogen GemeenschapsdetectieGewogen graadcentraliteitGewogen Ego-netwerkanalyseGewogen eigenvectorcentraliteitWeighted Exponential Random Graph ModelGewogen KennisgraafanalyseGewogen modulariteitsanalyseGewogen Multiplex NetwerkanalyseGewogen NetwerkdiffusieanalyseGewogen PageRankGewogen Sociale NetwerkanalyseGewogen Stochastisch BlokmodelGewogen temporele netwerkanalyseGewogen tweemode-netwerkanalyse