Video: New Animations Reveal Details of Cursed Warship | National Geographic 2025
En visualisering kan representere en simulering (en illustrasjonspresentasjon av et hva som helst scenario) i prediktiv analyse. Du kan følge opp en visualisering av en prediksjon med en simulering som overlapper og støtter prediksjonen. For eksempel, hva skjer hvis selskapet slutter å produsere produkt D? Hva skjer hvis en naturkatastrofe slår på hjemmekontoret? Hva skjer hvis kundene mister interessen for et bestemt produkt? Du kan bruke visualisering for å simulere fremtidens oppførsel av et selskap, et marked, et værsystem - du nevner det.
A instrumentbrett er en annen type visualisering du kan bruke til å vise en omfattende prediktiv analysemodell. Dashbordet lar deg, ved hjelp av en kontrollknapp, endre et hvilket som helst trinn i den prediktive analysepipelineen. Dette kan inkludere valg av data, forhåndsbehandling av data, valg av en prediktiv modell og valg av riktig evalueringsversjoner.
Du kan enkelt endre hvilken som helst del av rørledningen når som helst med kontrollknappen på instrumentbrettet. Et dashbord er en interaktiv type visualisering der du har kontroll, og du kan endre diagrammer, tabeller eller kart dynamisk basert på inngangene du velger å inkludere i analysene som genererer disse diagrammene og grafer.
Minst en prediktiv analyseteknikk er bare inspirert av det naturlige fenomenet fugler som flocker. Den fugleflockende modellen identifiserer ikke bare grupperinger i data, det viser dem i dynamisk handling. Den samme teknikken kan brukes til å vise skjulte mønstre i dataene dine.
Modellen representerer dataobjekter som fugler som flyr i en virtuell plass, etter flocking rules som orkestrerer hvordan en migrerende sværm av fugler beveger seg i naturen.
Representerer flere dataobjekter som fugler avslører at lignende dataobjekter vil flokkes sammen for å danne delflocks (grupperinger). Likheten mellom objekter i den virkelige verden er det som driver bevegelsene til de tilsvarende fuglene i det virtuelle rommet. For eksempel, tenk at du vil analysere online data samlet fra flere Internett-brukere (også kjent som netizens).
Alle opplysninger (hentet fra slike kilder som brukerinformasjon for sosiale nettverk og kunde online transaksjoner) vil bli representert som en tilsvarende fugl i det virtuelle rommet.
Hvis modellen finner ut at to eller flere brukere samhandler med hverandre via e-post eller chat, vises i samme nettfoto, kjøper det samme produktet, eller deler de samme interessene, viser modellen de to netizens som fugler som flokkes sammen, etter naturlige flocking regler.
Samspillet (det vil si hvor nær de representative fuglene kommer til hverandre) uttrykkes som en matematisk funksjon som avhenger av frekvensen av sosial interaksjon, eller intensiteten som brukerne kjøper de samme produktene eller deler de samme interessene. Denne siste matematiske funksjonen er bare avhengig av hvilken type analyse du bruker.
Bildet over viser samspillet på Facebook mellom Netizens X og Y i cyberspace som fugleflockende virtuell plass, hvor både X og Y er representert som fugler. Fordi Netizens X og Y har interagert med hverandre, vil neste flocking iterasjon vise sine to fugler som tettere sammen.
En algoritme kjent som "flok av leder", oppfunnet av prof. Anasse Bari og prof. Bellaachia (se følgende referanser), ble inspirert av en nylig oppdagelse som avslørte ledelsesdynamikken i duer. Denne algoritmen kan min brukerinngang for datapunkter som gjør det mulig å oppdage ledere, oppdage tilhengerne og initiere flocking i virtuell plass som nøyaktig etterligner hva som skjer når flokker dannes naturlig - unntatt flokker, i dette tilfellet kalles dataklynger < dataflokker. Denne teknikken registrerer ikke bare mønstre i data, men gir også en tydelig bilderepresentasjon av resultatene som er oppnådd ved å anvende prediktive analysemodeller. Reglene som orkestrer naturlig flocking oppførsel i naturen ble utvidet til å skape nye flocking regler som samsvarer med dataanalyse:
Dataklasse homogenitet:
- Medlemmer av flokken viser likhet i data. Dataflock lederskap:
- Modellen forventer informasjon ledere. Representerer et stort datasett som en flokk med fugler, er en måte å enkelt visualisere store data på et dashbord.
Denne visualiseringsmodellen kan brukes til å oppdage deler av data som er utestengere, ledere eller tilhenger. En politisk søknad kan være å visualisere samfunnsutestengere, fellesskapsledere eller samfunnets tilhenger. I biomedisinske felt kan modellen brukes til å visualisere outliers 'genomer og ledere blant genetiske prøver av en bestemt sykdom (si de som viser en bestemt mutasjon mest konsekvent).
En fugleflockende visualisering kan også brukes til å forutsi fremtidige mønstre av ukjente fenomener i cyberspace - sivil uro, en fremvoksende sosial bevegelse, en fremtidig kundes avstand.
Flocking visualiseringen er spesielt nyttig hvis du mottar et stort volum strømmer data med høy hastighet: Du kan se dannelsen av flocking i den virtuelle plassen som inneholder fuglene som representerer dataobjektene dine. Resultatene av dataanalyser reflekteres (bokstavelig talt) på fluen på det virtuelle rommet. Virkeligheten gitt en fiktiv, men likevel observerbar og analytisk meningsfylt representasjon rent inspirert fra naturen. Slike visualiseringer kan også fungere godt som simuleringer eller hva-om scenarier.
En visualisering basert på flocking oppfører seg ved å indeksere hver netizen til en virtuell fugl. I utgangspunktet er alle fuglene inaktiv.Etter hvert som data kommer inn, begynner hver fugl å strømme inn i den virtuelle plassen i henhold til analyseresultatene og flockingsreglene.
Spore flocking netizens.
Hva flokken gjør.
Flock-by-leader deler opp flokken.
"Flock by Leader: En novel Machine Learning Biologically-Inspired Clustering Algorithm", IEEE International Conference of Swarm Intelligence, 2012.
- Dette vises også som et kapitlet i
Fremskritt i Swarm Intelligence, 2012 Edition - (Springer-Verlag). "SFLOSCAN: Et biologisk inspirert datautvinningsramme for fellesskapsidentifisering i dynamiske sosiale nettverk", IEEE International Conference on Computational Intelligence, 2011 (SSCI 2011), 2011.
