拟合分层随机图模型

fit_hrg() 将 HRG 拟合到给定的图。它执行指定的 steps 数量的 MCMC 步骤进行拟合，或者如果指定的步骤数为零，则使用收敛标准。如果 hrg() 参数中给定了 HRG，并且 start 参数为 TRUE，则 fit_hrg() 可以从给定的 HRG 开始。它可以使用此包中提供的 as.hclust() 转换为 hclust 类。

用法

fit_hrg(graph, hrg = NULL, start = FALSE, steps = 0)

参数

graph

要拟合模型的图。在有向图中，边的方向将被忽略。

hrg

分层随机图模型，采用 igraphHRG 对象的形式。 fit_hrg() 允许它为 NULL，在这种情况下，将使用随机起点进行拟合。

start

逻辑值，是否从提供的 igraphHRG 对象或从随机起点开始拟合/采样。

steps

要执行的 MCMC 步骤数。如果此值为零，则执行 MCMC 过程直到收敛。

值

fit_hrg() 返回一个 igraphHRG 对象。这是一个包含以下成员的列表

left

包含内部树顶点的左子节点的向量。第一个顶点始终是根顶点，因此向量的第一个元素是根顶点的左子节点。内部顶点用负数表示，从 -1 开始并向下，即根顶点为 -1。叶顶点用非负数表示，从零开始并向上。

right

包含顶点的右子节点的向量，编码方式与 left 向量相同。

prob

附加到内部顶点的连接概率，第一个数字属于根顶点（即内部顶点 -1），第二个数字属于内部顶点 -2，依此类推。

edges

给定内部顶点下方子树中的边数。

vertices

给定内部顶点下方子树中的顶点数，包括其自身。

参考文献

A. Clauset, C. Moore, and M.E.J. Newman. Hierarchical structure and the prediction of missing links in networks. Nature 453, 98–101 (2008);

A. Clauset, C. Moore, and M.E.J. Newman. Structural Inference of Hierarchies in Networks. In E. M. Airoldi et al. (Eds.): ICML 2006 Ws, Lecture Notes in Computer Science 4503, 1–13. Springer-Verlag, Berlin Heidelberg (2007).

参见

其他分层随机图函数：consensus_tree(), hrg(), hrg-methods, hrg_tree(), predict_edges(), print.igraphHRG(), print.igraphHRGConsensus(), sample_hrg()

示例

if (FALSE) { # rlang::is_interactive()

## A graph with two dense groups
g <- sample_gnp(10, p = 1 / 2) + sample_gnp(10, p = 1 / 2)
hrg <- fit_hrg(g)
hrg
summary(as.hclust(hrg))

## The consensus tree for it
consensus_tree(g, hrg = hrg, start = TRUE)

## Prediction of missing edges
g2 <- make_full_graph(4) + (make_full_graph(4) - path(1, 2))
predict_edges(g2)
}