Wie Visualizations von Vogel-Beflockung Verhalten in Predictive Analytics zu erstellen
In prädiktive Analyse kann eine Visualisierung darstellen ein Simulation - eine bildliche Darstellung eines Was-wäre-wenn-Szenario. Sie können eine Visualisierung einer Vorhersage mit einer Simulation verfolgen, die Überschneidungen und unterstützt die Vorhersage.
Zum Beispiel, was passiert, wenn das Unternehmen für die Herstellung D Produkt nicht mehr reagiert? Was passiert, wenn eine Naturkatastrophe das Büro zu Hause trifft? Was passiert, wenn Ihre Kunden Interesse an einem bestimmten Produkt zu verlieren? Sie können Visualisierung nutzen das künftige Verhalten eines Unternehmens, ein Markt, ein Wettersystem zu simulieren - Sie nennen es.
EIN Instrumententafel eine andere Art der Visualisierung ist es, Ihnen eine umfassende Predictive Analytics anzuzeigen Modell verwenden können. Das Armaturenbrett ermöglicht es Ihnen, mit einer Steuertaste, jeden Schritt in der Predictive Analytics-Pipeline zu ändern. Dazu kann auch die Daten, Datenvorverarbeitung Auswahl, ein Vorhersagemodell auswählen und die richtigen Testversionen auswählen.
Sie können ganz einfach jederzeit mit den Steuertasten auf dem Armaturenbrett einen Teil der Pipeline zu ändern. Ein Dashboard ist eine interaktive Art der Visualisierung, wo Sie die Kontrolle haben, und Sie können die Diagramme, Tabellen ändern oder Karten an den Eingängen die sie gehören in den Analysen dynamisch aus, dass diese Diagramme und Grafiken genearte.
Mindestens ein Predictive Analytics-Technik ist lediglich durch das natürliche Phänomen der Vögel inspiriert Beflockung. Der Vogel-Beflockung Modell nicht nur identifiziert Gruppierungen in Daten, sie sie in dynamische Wirkung zeigt. Die gleiche Technik kann verborgene Muster verwendet werden, in Ihre Daten zu Bild.
Das Modell stellt Datenobjekte wie Vögel in einem virtuellen Raum fliegen, folgende Beflockung Regeln die orchestrieren, wie eine Migration Schwarm Vögel in der Natur bewegt.
mehrere Datenobjekte wie Vögel Darstellen zeigt, dass ähnliche Datenobjekte Herde zusammen zu bilden subflocks (Gruppierungen). Die Ähnlichkeit zwischen den Objekten in der realen Welt ist das, was die Bewegungen der entsprechenden Vögel im virtuellen Raum antreibt. Zum Beispiel vorstellen, dass Sie die Online-Daten aus mehreren Internet-Nutzer gesammelt analysieren wollen (auch bekannt als Netizens).
Jede Information (aus Quellen wie sozialen Netzwerken Benutzerinformationen, Kunden Online-Transaktionen aufgelesen, und so weiter) wird als ein entsprechender Vogel im virtuellen Raum dargestellt werden.
Wenn das Modell fest, dass zwei oder mehr Benutzer miteinander über E-Mail interagieren oder chatten, erscheinen in der gleichen Online-Foto, das gleiche Produkt kaufen, oder die gleichen Interessen teilen, das Modell diese beiden Netizens als Vögel zeigt, die Herde zusammen, folgende natürliche Beflockung Regeln.
Die Interaktion (dh, wie nahe die repräsentativen Vögel zueinander) wird zwar als eine mathematische Funktion ausgedrückt, die auf der Frequenz der sozialen Interaktion abhängig ist, oder die Intensität, mit der die Benutzer die gleichen Produkte kaufen oder die gleichen Interessen teilen. Diese neueste mathematische Funktion hängt rein von der Art der Analytik Sie sich bewerben.
Die Interaktion auf Facebook zwischen Netizens X und Y in den Cyberspace als Vogel-Beflockung virtuellen Raum dargestellt, wobei sowohl X und Y wie Vögel vertreten. Da Netizens X und Y miteinander interagierten, wird die nächste Beflockung Iteration zeigen ihre zwei Vögel näher zusammen.
Ein Algorithmus bekannt als # 147-Herde von Führer, # 148- erstellt von Professor Bellaachia Team, wurde durch eine neue Entdeckung inspiriert, die die Führung Dynamik bei Tauben aufgedeckt. Dieser Algorithmus kann eine Benutzereingabe für Datenpunkte Mine, die es ihr ermöglichen, Führer zu erkennen, entdecken ihre Anhänger, und initiieren Verhalten im virtuellen Raum strömen, die eng nachahmt, was passiert, wenn Herden natürlich bilden - außer die Herden sind Daten-Cluster genannt Daten Herden.
Diese Technik erkennt nicht nur Muster in Daten, sondern bietet auch eine klare bildliche Darstellung der Ergebnisse, die durch Predictive Analytics-Modelle anwenden. Die Regeln, die natürliche Beflockung Verhalten in der Natur orchestrieren wurden erweitert, um neue Beflockung Regeln erstellen, die Datenanalyse entsprechen:
Daten Herde Homogenität: Die Mitglieder der Herde zeigen Ähnlichkeit in Daten.
Daten Herde Führung: Das Modell geht davon aus Informationen Führer.
eine große Datenmenge als Vogelschwarm darstellt, ist ein Weg, um große Daten in einem Dashboard leicht visualisieren.
Dieses Visualisierungsmodell kann verwendet werden, Teile der Daten zu erkennen, die Ausreißer sind, Führer oder Anhänger. Eine politische Anwendung könnte sein, um Gemeinschaft Ausreißer, Gemeindeleiter oder Gemeinde Anhänger visualisieren. Im biomedizinischen Bereich kann das Modell verwendet werden, Ausreißer 'Genome und Führer unter genetischen Proben von einer bestimmten Krankheit sichtbar zu machen (zum Beispiel diejenigen, die eine bestimmte Mutation am beständigsten zeigen).
Unruhen, einer aufstrebenden sozialen Bewegung, eine zukünftige Kunden Linie - Ein Vogel-Beflockung Visualisierung können auch zukünftige Muster unbekannter Phänomene im Cyberspace zur Vorhersage verwendet werden.
Die Beflockung Visualisierung ist besonders nützlich, wenn Sie eine große Menge von gestreamten Daten mit hoher Geschwindigkeit empfangen: Sie können die Bildung sehen in den virtuellen Raum der Beflockung, die die Vögel enthält, die Ihre Datenobjekte darstellen. Die Ergebnisse der Datenanalyse werden reflektiert (buchstäblich) auf der Fliege auf den virtuellen Raum.
Reality gegeben eine fiktive, aber beobachtbar und analytisch sinnvoll, Darstellung rein von der Natur inspiriert. Solche Visualisierungen können auch gut als Simulationen arbeiten oder was-wäre-wenn-Szenarien.
Eine Visualisierung basiert auf Verhalten Beflockung beginnt durch die Indizierung jeder Netizen zu einem virtuellen Vogel. Zunächst sind alle Vögel sind müßig. Da die Daten in kommt, beginnt jeder Vogel im virtuellen Raum Beflockung nach den Analyseergebnissen und den Beflockung Regeln.
Die sich abzeichnende Herde wird gebildet, wie die Analytik präsentiert werden.
Nach der Analyse können die Daten über einen großen Zeitraum bei t + k endet, die Ergebnisse dieser Anwendung von Predictive Analytics Ergebnisse dargestellt werden: Der Flock-by-Leader-Algorithmus die Mitglieder der Herde in drei Klassen unterschieden: ein Führer, Anhänger, und Ausreißern.
