Wie zu nutzen Vogel-Menge-Clustern in Predictive Analysis
Stellen Sie sich vor Vögeln Beflockung Verhalten als Modell für Ihre prädiktive Analysedaten des Unternehmens. Jeder Datenpunkt entspricht einem einzelnen Vogel in der Flock eine geeignete visuelle Anwendung, die Herde in Aktion in einem imaginären Bildraum zu zeigen.
Ihr Daten-Set entspricht der Herde. Die natürliche Beflockung Verhalten entspricht Datenmustern, die sonst unentdeckt gehen könnten. Ziel ist es Schwärme (Datencluster) unter den Beflockung Vögel (Datenelemente) zu erfassen.
Beflockung Verhalten wurde in realen Anwendungen wie Robotik-basierte Rettungsaktionen und Computeranimation verwendet. Beispielsweise der Hersteller des Films Batman Returns erzeugt mathematische Beflockung Verhalten Fledermausschwärme und Pinguin Herden zu simulieren.
Die Verwendung von Verhalten als Predictive Analytics Technik Beflockung - eines Unternehmens Daten wie Schwärme von ähnlichen Datenelemente zu analysieren - hinter sich schart Verhalten auf die Dynamik basiert, wie es in der Natur erscheint.
Beflockung Verhalten der Vögel, Fische, Fliegen, Bienen und Ameisen ist ein selbstorganisierendes system- die Individuen in Übereinstimmung zu bewegen neigen beide mit ihrer Umgebung und den benachbarten Individuen.
In einem Vogelschwarm, gilt jeder Vogel drei wichtigsten Regeln, während sich schart:
Trennung hält einen Vogel abgesehen von seinen nächsten Herde Kollegen.
Ausrichtung ermöglicht ein Vogel auf dem gleichen durchschnittlichen Position wie die seiner Herde Kollegen zu bewegen.
Zusammenhalt innerhalb der lokalen Herde hält den Vogel.
Jeder Vogel in einer Herde bewegt sich nach diesen Regeln. Ein Vogel Herde Kollegen Vögel in einem gewissen Abstand von den Vogel, und in einem gewissen Abstand voneinander sind vorhanden. Um zu vermeiden Kollision zwischen Vögeln, muss ein Mindestabstand sein kept- es auch mathematisch definiert werden können. Das sind die Regeln, die Verhaltens- mit ihnen orchestrieren Beflockung ein natürlicher nächster Schritt, um Daten zu analysieren ist.
Betrachten wir ein Datensatz von sozialen Online-Netzwerk-Benutzer. Daten-Clustering können Social Communities identifizieren, die die gleichen Interessen teilen. Identifizierung von sozialen Gemeinschaften in einem sozialen Netzwerk ist wertvolles Werkzeug, das zu verwandeln, wie Organisationen denken, handeln, zu betreiben und ihre Marketing-Strategien zu verwalten.
Wie erhalten Sie einen Datensatz von sozialen Netzwerk-Benutzer? Nun, einige der Daten und Werkzeuge sind bereits verfügbar: Große soziale Netzwerke und Mikro-Blog-Websites wie Facebook und Twitter bieten eine Application Programming Interface (API), die Sie Programme entwickeln können, die gebucht öffentliche Daten, die von den Benutzern erhalten.
Diese APIs von Twitter angeboten werden als Twitter Streaming-APIs. Sie kommen in drei Haupttypen: public, Benutzer und Website-Streams:
Öffentliche Ströme ermöglichen es einem Benutzer öffentliche Tweets zu einem bestimmten Thema oder Benutzer oder unterstützen einen Analyse Zweck zu sammeln.
Benutzerströme ermöglichen es einem Benutzer tweets zu sammeln, die von dem Konto des Benutzers zugänglich sind.
Site-Streams sind für große Server, die auf Twitter im Namen vieler Benutzer verbinden.
Nun nehmen wir Sie ein solches Programm verwenden die Daten von Benutzern zum Download und in tabellarischer Form zu organisieren, wie die Matrix gezeigt. Es zeigt eine einfache Matrix, die die Online-Interaktionen von Zachs Online-Freunde über zwei Wochen aufzeichnet. Dieser Datensatz besteht aus sieben Elementen und sieben Funktionen. Die Merkmale, wie sie in der Spalte der Tabelle sind die Anzahl der Wechselwirkungen zwischen jedem Element und den anderen Mitgliedern gezeigt.
Es gibt viele Möglichkeiten, den Vogel-Beflockung Verhalten zu entdecken Cluster in großen Datenmengen anzuwenden. Eines der jüngsten Schwankungen ist der Flock von Leader-Maschine-Learning-Cluster-Algorithmus, durch die Entdeckung der Vogelführer in den Taubenarten inspiriert. Der Algorithmus sagt Datenelemente, die möglicherweise eine andere Gruppe von Datenobjekten führen könnte.
Ein Anführer zugeordnet ist, und dann die Leiter initiiert und führt die Beflockung Verhalten. Im Verlauf des Algorithmus können Führer Anhänger oder Ausreißern werden. Im Wesentlichen funktioniert dieser Algorithmus in einer Weise, die die Regeln der folgt "Überleben des Stärkeren."
veröffentlicht als ein Kapitel in dem Verfahren der 2012 Fortschritte in der Schwarmintelligenz Konferenz: Der Flock von Leader-Algorithmus wurde zuerst von Abdelghani Bellaachia und Anasse Bari in "A Novel Machine Learning Biologisch inspirierte Clustering-Algorithmus, Flock von Leader" eingeführt.
Die folgende Abbildung zeigt eine mögliche Art und Weise Daten von sozialen Online-Austausch über zwei Wochen erzeugt darzustellen. Es zeigt, dass Zach 56 mal mit Kellie und fünfmal mit Arthur interagierten.
| Soziales Netzwerk Mitglied | Wechselwirkungen mit John | Wechselwirkungen mit Mike | Wechselwirkungen mit Zach | Wechselwirkungen mit Emma | Wechselwirkungen mit Kellie | Wechselwirkungen mit Nicole | Wechselwirkungen mit Arthur |
|---|---|---|---|---|---|---|---|
| John | - | 10 | 10 | 12 | 4 | 4 | 10 |
| Mike | - | 5 | 5 | 56 | 57 | 5 | |
| Zach | - | 6 | 41 | 4 | 4 | ||
| Emma | - | 28 | 8 | 8 | |||
| Kellie | - | 5 | 5 | ||||
| Nicole | - | 4 | |||||
| Arthur | - |
| Soziales Netzwerk Mitglied | Wechselwirkungen mit John | Wechselwirkungen mit Mike | Wechselwirkungen mit Zach | Wechselwirkungen mit Emma | Wechselwirkungen mit Kellie | Wechselwirkungen mit Nicole | Wechselwirkungen mit Arthur |
|---|---|---|---|---|---|---|---|
| John | - | 10 | 12 | 10 | 0 | 10 | 8 |
| Mike | - | 50 | 2 | 0 | 0 | 5 | |
| Zach | - | 9 | 0 | 1 | 3 | ||
| Emma | - | 2 | 2 | 1 | |||
| Kellie | - | 4 | 9 | ||||
| Nicole | - | 1 | |||||
| Arthur | - |
Hier ist ein Beispiel, das beschreibt, wie der Vogel-Beflockung Algorithmus anwenden soziale Netzwerk Daten zu analysieren. Wie dargestellt, ist jedes Mitglied von einem Vogel im virtuellen Raum dargestellt. Beachte das
Die Vögel werden zunächst zufällig in dem virtuellen Raum verteilt sind.
Jeder Vogel eine Geschwindigkeit und eine Position mit ihm verbunden ist.
Geschwindigkeit und Position für jeden Vogel berechnet, unter Verwendung von drei Vektoren: Trennung, Anziehung und Ausrichtung.
Jeder Vogel bewegt sich entsprechend der drei Vektoren, und diese Bewegung erzeugt die Beflockung Verhalten in der Natur gesehen.
Hier wird die Interaktionsdaten analysiert wöchentlich ähnliche soziale Netzwerke der Nutzer zu finden. Jede Woche werden die Vögel können in einem einfachen Gitter visualisiert werden. Die Positionen dieser Vögel spiegeln die Wechselwirkungen der tatsächlichen Personen in der realen Welt.
