با استفاده از کتابخانه networkx یک گراف از یک لیست یال بسازید، برای هر گره ویژگی‌های مرکزی مانند degree و clustering coefficient محاسبه کنید و با یک مدل ساده یادگیری ماشینی (مثلاً LogisticRegression از scikit-learn) گره‌ها را به دسته‌های "hub" و "non-hub" طبقه‌بندی کنید.

یک نکته کلیدی این است که گراف را با nx.Graph از لیست یال بسازید و برای هر گره ویژگی‌های degree centrality و clustering را محاسبه کنید و با یک آستانه مشخص گره‌های hub را برچسب‌گذاری کنید و سپس با LogisticRegression مدل را آموزش دهید. به توازن کلاس توجه کنید؛ hubها معمولاً کمتر هستند، بنابراین از class_weight='balanced' استفاده یا از روش‌های resampling بهره ببرید. داده‌ها را به numpy/Pandas تبدیل کنید، با train_test_split تقسیم کنید، و پیش‌پردازش استانداردسازی با StandardScaler را انجام دهید تا مدل از نظر مقیاس‌بندی پایدار باشد. برای تکرارپذیری، random_state را ثابت کنید و دقت مدل را روی دادهٔ آزمون گزارش دهید تا بتوان روند را با گراف‌های مختلف مقایسه کرد.