知识卡片
度中心性的直觉偏差
度中心性是最简单的网络中心性度量:数一个人的朋友数,对所有用户求和再除以人数得到平均度,按朋友数排序就得到“关键联系人”名单。它便宜、可解释,衡量的是局部连接数量而不是位置。在 DataSciencester 的例子里,Thor 只有两个朋友,Dunn 有三个,但在网络图上 Thor 处在把两簇人连起来的位置,直觉上更居中。差异来自度忽略了邻居之间是否互相认识:一个跨越两个互不相通群体的人,影响力可能大于一个身处紧密小圈子的人。所以度中心性适合快速筛选,不适合当作“重要性”的最终判据;要贴近直觉需要引入考虑路径与邻居结构的度量,代价是计算更复杂、也更难向业务方解释。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 第1章 导论
原书出处 · 1 处
- 第1章 导论 · 查看原书依据
度中心性很容易计算,但它并不总能给出理想或期望的结果。例如,在 DataSciencester 网络中,Thor(id 为 4)只有 2 个朋友,而 Dunn(id 为 1)有 3 个。然而,在网络关系图上,直觉上认为 Thor 应该更具中心性。
参考来源
- 位置:《数据科学入门(第2版)》第1章 导论(源文件:extracted/数据科学入门(第2版)/_epub-src/OEBPS/Text/0005.xhtml)
- 结论依据:原文这一段直接给出本卡的核心判断:「度中心性很容易计算,但它并不总能给出理想或期望的结果……」
- 原始内容:度中心性很容易计算,但它并不总能给出理想或期望的结果。例如,在 DataSciencester 网络中,Thor(id 为 4)只有 2 个朋友,而 Dunn(id 为 1)有 3 个。然而,在网络关系图上,直觉上认为 Thor 应该更具中心性。