Video: HVORDAN UNNGÅ CAKEY FOUNDATION! 2024
Et naturlig eksempel på selvorganiserende gruppe du kan bruke i prediktiv analyseadferd er en myrskoloni som jakter på mat. Myrene kollektivt optimaliserer sporet slik at det alltid tar den korteste ruten mulig for et matmål.
Selv om du prøver å forstyrre en marsjerkoloni av maur og hindre dem i å komme seg til matmålet, kommer de raskt tilbake og (igjen) finner den korteste måten som er mulig for matmålet, alle unngår de samme hindringene mens du leter etter mat. Denne ensartetheden av atferd er mulig fordi hver myr avsetter et spor av feromoner på bakken.
Tenk på en hær av maur tomgang i deres rede. Når de begynner å lete etter mat, har de absolutt ingen informasjon om hvor de skal finne den. De marsjerer tilfeldig til en enkelt myr finner mat; Nå må den heldige myren (kall det Ant X) kommunisere sin finne til resten av myrene - og for å gjøre det må den finne veien tilbake til reiret.
Heldigvis produserte Ant X sine egne feromoner hele tiden det lette etter mat; den kan følge sin egen sti av feromoner tilbake til reiret. På vei tilbake til reiret, etter sin egen feromonell, setter Ant X flere feromoner på samme sti.
Som et resultat vil duften på Ant Xs sti være den sterkeste blant alle andre myrens stier. Den sterkeste sporet av feromoner vil tiltrekke seg alle andre maur som fortsatt søker etter mat. De vil følge den sterkeste duften. Ettersom flere myrer blir med i Ant Xs sti, legger de flere feromoner til det; duften blir sterkere. Ganske snart har alle andre maur en sterk lukt å følge.
Hvis flere myrer har oppdaget samme matkilde, vil myrene som tok korteste vei, gjøre flere turer i forhold til maur som følger lengre stier - dermed vil mer feromoner bli produsert på den korteste banen. Forholdet mellom individuell og kollektiv oppførsel er et opplysende naturlig eksempel.
Hver prikk representerer et dokument. Anta at de svarte punktene er dokumenter om prediktiv analyse og de hvite punktene er dokumenter om antropologi. Dots som representerer de ulike typer dokumenter, distribueres tilfeldig i rutenettet til fem celler.
"Myrer" distribueres tilfeldig i rutenettet for å søke etter lignende dokumenter. Hver celle med en verdi i den representerer en forekomst av en "feromon. "Ved hjelp av dokumentmatrisen beregnes hver celles" feromon "-verdi fra det tilsvarende dokumentet.
Ok, hvordan gir en kolonis kollektive intelligens en modell for effektiv dataoverføring? Svaret ligger i en enkel analogi: Myrer søker etter mat i sitt miljø, mye ettersom vi søker etter klynger i et datasett - leter etter lignende dokumenter i et stort sett med dokumenter.
Vurder et datasett med dokumenter du vil organisere etter emne. Lignende dokumenter blir gruppert i samme klynge. Her er der myrkolonien kan gi tips om hvordan man grupperer lignende dokumenter.
Forestill deg et todimensjonalt (2D) rutenett der du kan representere dokumenter som punkter. 2D-nettet er delt inn i celler. Hver celle har en "feromon" (verdi) assosiert med den. Kort fortalt, "feromon" -verdien skiller hvert dokument i en gitt celle.
Prickene distribueres tilfeldigvis tilfeldig - og hver prikk i rutenettet representerer et unikt dokument. Det neste trinnet er å distribuere andre prikker tilfeldig på 2D-nettet, som simulerer mykoloniens søken etter mat i sitt miljø. Disse punktene er i utgangspunktet spredt i samme 2D-rutenett med dokumentene.
Hver ny prikk lagt til gitteret representerer en maur. Disse "myrene", som ofte refereres til i antarkolonalgoritmen som agenter , beveger seg i 2D-nettet. Hver "myr" vil enten hente opp eller slippe av de andre punktene (dokumenter), avhengig av hvor dokumentene passer best. I denne analogien tar "mat" form av dokumenter som er tilstrekkelig liknende slik at de kan grupperes.
En "myr" går tilfeldig i rutenettet; hvis det møter et dokument, kan det utføre en av to handlinger: velg eller slipp. Hver celle har en "feromonintensitet" som angir hvor likt dokumentet er for de andre dokumentene (punktene) som ligger i nærheten av det aktuelle dokumentet - den ene en "myr" skal enten hente eller slippe.
Merk at "ant" i Cell 3 vil hente det svarte punktet fordi den hvite "feromon" -verdien dominerer; og flytt til en celle der verdien er nær (liknende) til hva som er i Cell 4 (flere svarte prikker). Søket fortsetter å iterere til klyngene dannes.
I virkeligheten beveger "myren" dokumenter fra en celle til en annen for å danne klynger ved å utføre en av bare to handlinger: hente et dokument eller slippe et dokument.
Når "myrene" begynte å bevege seg tilfeldig på rutenettet, oppstår en prikk (dokument) i "myren" som tar opp et dokument fra sin nåværende celle, beveger seg med det og slipper det inn i en celle der den hadde Tilstrekkelig likhet å passe.
Hvordan ville en "myr" bestemme den beste cellen der man skal slippe et dokument? Svaret er at verdiene i cellene virker som "feromoner" - og hver celle i 2D-nettet inneholder en numerisk verdi som kan beregnes på en måte som representerer et dokument i cellen.
Husk at hvert dokument er representert som et sett med tall eller en vektor med numeriske verdier. "Fermentets intensitet" (tallverdien) øker når flere dokumenter blir tapt inn i cellen - og verdien reduseres dersom tallene som representerer dokumenter, flyttes ut av cellen.
