Video: New Animations Reveal Details of Cursed Warship | National Geographic 2024
En visualisering kan repræsentere en simulering (en billedlig fremstilling af et what-if-scenario) i prædiktiv analyse. Du kan følge op med en visualisering af en forudsigelse med en simulering, der overlapper og understøtter forudsigelsen. For eksempel, hvad sker der, hvis virksomheden stopper fremstilling af produkt D? Hvad sker der, hvis en naturkatastrofe rammer hjemmekontoret? Hvad sker der, hvis dine kunder mister interessen for et bestemt produkt? Du kan bruge visualisering til at simulere fremtidens opførsel af et firma, et marked, et vejrsystem - du hedder det.
A dashboard er en anden type visualisering, du kan bruge til at vise en omfattende predictive analytics model. Dashboardet giver dig mulighed for ved hjælp af en kontrol knap at ændre et trin i den prediktive analyse pipeline. Dette kan omfatte valg af data, dataforarbejdning, valg af en prædiktiv model og valg af de rigtige evalueringsversioner.
Du kan nemt ændre enhver del af rørledningen når som helst ved at bruge kontrolknappen på instrumentbrættet. Et dashboard er en interaktiv type visualisering, hvor du har kontrol, og du kan ændre diagrammer, tabeller eller kort dynamisk baseret på de input, du vælger at inkludere i analyserne, der genererer disse diagrammer og grafer.
Mindst en prædiktiv analyseteknik er udelukkende inspireret af det naturlige fænomen af fugleflockning. Den fugleflockende model identificerer ikke bare grupperinger i data, det viser dem i dynamisk handling. Den samme teknik kan bruges til at vise skjulte mønstre i dine data.
Modellen repræsenterer dataobjekter som fugle, der flyver i et virtuelt rum efter flocking rules, som orkestrerer, hvordan en migrerende sværm af fugle bevæger sig i naturen.
Representerer flere dataobjekter, da fugle afslører, at lignende dataobjekter vil strømme sammen for at danne underflocks (grupperinger). Ligheden mellem objekter i den virkelige verden er, hvad der driver bevægelserne af de tilsvarende fugle i det virtuelle rum. Forestil dig for eksempel at du vil analysere online-data indsamlet fra flere internetbrugere (også kendt som netizens).
Brug fugleflocking til at analysere internetbrugernes online adfærd.Alle oplysninger (hentet fra sådanne kilder som brugerne af sociale netværk og kunde online transaktioner) vil blive repræsenteret som en tilsvarende fugl i det virtuelle rum.
To netizens flocking.Hvis modellen finder ud af, at to eller flere brugere interagerer med hinanden via e-mail eller chat, vises på samme online foto, køber det samme produkt eller deler de samme interesser, viser modellen de to netizens som fugle, der flocker sammen, efter naturlige flockningsregler.
Samspillet (det vil sige, hvor tæt repræsentative fugle kommer til hinanden) udtrykkes som en matematisk funktion, der afhænger af hyppigheden af social interaktion eller den intensitet, som brugerne køber de samme produkter med eller deler de samme interesser. Denne seneste matematiske funktion afhænger udelukkende af den type analyse, du anvender.
Billedet ovenfor viser interaktionen på Facebook mellem Netizens X og Y i cyberspace som fugleflockende virtuelt rum, hvor både X og Y er repræsenteret som fugle. Fordi Netizens X og Y har interageret med hinanden, vil den næste flockende iteration vise deres to fugle tættere sammen.
En algoritme kendt som "flock by leader", opfundet af Prof. Anasse Bari og Prof. Bellaachia (se de følgende referencer), blev inspireret af en nylig opdagelse, der afslørede ledelsesdynamikken i duer. Denne algoritme kan min brugerindgang til datapunkter, der gør det muligt at opdage ledere, opdage deres tilhængere og indlede flokningsadfærd i virtuelt rum, der nøje efterligner, hvad der sker, når flokke danner naturligt - undtagen flokke, i dette tilfælde kaldes dataklynger < dataflokke. Denne teknik registrerer ikke blot mønstre i data, men giver også en klar billedrepræsentation af de resultater, der opnås ved at anvende predictive analytics-modeller. Reglerne, som orkestrere naturflockningsadfærd i naturen, blev udvidet til at skabe nye flockningsregler, som er i overensstemmelse med dataanalyser:
Datakorthomogenitet:
- Medlemmer af flocken viser lighed i data. Ledelsesdata lederskab:
- Modellen forudser informationsledere. Repræsentation af et stort datasæt som en flok fugle er en måde at nemt visualisere store data på et dashboard.
Denne visualiseringsmodel kan bruges til at registrere data, der er outliers, ledere eller tilhængere. En politisk ansøgning kunne være at visualisere samfundets outliers, samfundsledere eller tilhængere af fællesskabet. På det biomedicinske område kan modellen bruges til at visualisere outliers 'genomer og ledere blandt genetiske prøver af en bestemt sygdom (siger dem, der viser en bestemt mutation mest konsekvent).
En fugleflockende visualisering kan også bruges til at forudsige fremtidige mønstre af ukendte fænomener i cyberspace - civil uro, en fremvoksende social bevægelse, en fremtidig kundes slægtskab.
Den flockende visualisering er særlig nyttig, hvis du modtager et stort antal streamede data ved høj hastighed: Du kan se dannelsen af flokkning i det virtuelle rum, der indeholder de fugle, der repræsenterer dine dataobjekter. Resultaterne af dataanalyser afspejles (bogstaveligt talt) i flyve på det virtuelle rum. Virkeligheden givet en fiktiv, men alligevel observerbar og analytisk meningsfuld repræsentation, der er rent inspireret fra naturen. Sådanne visualiseringer kan også fungere godt som simuleringer eller what-if scenarier.
En visualisering baseret på flocking opførsel begynder ved at indeksere hver netizen til en virtuel fugl. I første omgang er alle fuglene inaktiv.Når data kommer ind, begynder hver fugl at strømme i det virtuelle rum i henhold til analyseresultaterne og flockningsreglerne.
Sporing af flocking netizens.
Nedenfor bliver den fremvoksende flok dannet, da analyserne præsenteres.Hvad flokken gør.
Efter at have analyseret data over en lang periode, der slutter ved t + k, kan resultaterne af denne anvendelse af prædiktive analyseresultater afbildes som vist nedenfor: Flock-by-leader-algoritmen differentierer medlemmerne af flokken i tre klasser: en leder, tilhængere og outliers.Flock-by-leader opdeler flocken.
Flock-by-leader-algoritmen blev opfundet af Dr. Bari og Dr. Bellaachia, og det forklares i detaljer i disse ressourcer:"Flock by Leader: En novel Machine Learning Biologically-Inspired Clustering Algorithm", IEEE International Conference of Swarm Intelligence, 2012.
- Dette fremgår også som et bogkapitel i
Fremskridt i Swarm Intelligence, 2012 Edition - (Springer-Verlag). "SFLOSCAN: En biologisk inspireret data mining ramme for identifikation af fællesskab i dynamiske sociale netværk", IEEE International Conference on Computational Intelligence, 2011 (SSCI 2011), 2011.