Hur man applicerar några koloniekluster i prediktiv analys - dummies

Ett naturligt exempel på självorganiserande grupp som du kan använda i prediktivt analysbeteende är en myrskoloni som söker efter mat. Myrorna samlar optimalt sitt spår så att det alltid tar kortast möjliga rutt till ett matmål.

Även om du försöker störa en marchkoloni av myror och hindrar dem från att komma till matmålet, kommer de snabbt igen och (igen) hitta kortast möjliga matmålet, alla undviker samma hinder medan du letar efter mat. Denna enhetlighet av beteende är möjlig eftersom varje myra deponerar ett spår av feromoner på marken.

Tänk på att en myrsarm är ledig i deras bo. När de börjar leta efter mat har de absolut ingen information om var de ska hitta den. De marscherar slumpmässigt tills en enskild myr finner mat; nu måste den lyckliga myran (kallar det Ant X) kommunicera sin finna till resten av myrorna - och för att göra det måste den hitta sin väg tillbaka till boet.

Lyckligtvis producerade Ant X sina egna feromoner hela tiden det letade efter mat; Det kan följa sitt eget spår av feromoner tillbaka till boet. På vägen tillbaka till boet, efter sin egen feromonspår, sätter Ant X fler feromoner på samma spår.

Som ett resultat blir doften på Ant Xs spår den starkaste bland alla andra myrens spår. Det starkaste spåret av feromoner kommer att locka alla andra myror som fortfarande söker efter mat. De kommer att följa den starkaste doften. När fler myror går med på Ant Xs spår, lägger de till mer feromoner till det; doften blir starkare. Nästan snart har alla andra myror en stark doft att följa.

Om flera myror har upptäckt samma matkälla, kommer myrorna som tog kortaste vägen att göra fler resor i jämförelse med myror som följer längre vägar - därmed kommer mer feromoner att produceras på den kortaste vägen. Relationen mellan individ och kollektivt beteende är ett upplysande naturligt exempel.

Varje pricka representerar ett dokument. Antag att de svarta prickarna är dokument om prediktiv analys och de vita prickarna är dokument om antropologi. Dots som representerar de olika typerna av dokument distribueras slumpmässigt i nätet av fem celler.

"Myror" används slumpmässigt i rutnätet för att söka efter liknande dokument. Varje cell med ett värde i det representerar en förekomst av en "feromon. "Med hjälp av dokumentmatrisen beräknas varje cells" feromon "-värde från motsvarande dokument.

Hur mår en myrkoloniens kollektiva intelligens en modell för att effektivt klustra data? Svaret ligger i en enkel analogi: Myror söker efter mat i sin miljö, mycket som vi söker efter kluster i en dataset - letar efter liknande dokument inom en stor uppsättning dokument.

Tänk på en dataset av dokument som du vill organisera efter ämne. Liknande dokument kommer att grupperas i samma kluster. Här är myrkolonien kan ge tips om hur man grupperar liknande dokument.

Föreställ dig ett tvådimensionellt (2D) rutnät där du kan representera dokument som prickar. 2D-nätet är uppdelad i celler. Varje cell har en "feromon" (värde) som är associerad med den. I korthet skiljer "feromon" -värdet varje dokument i en given cell.

Punkterna fördelas slumpmässigt - och varje prick i rutnätet representerar ett unikt dokument. Nästa steg är att distribuera andra prickar slumpmässigt på 2D-nätet, vilket simulerar antikolonens sökande efter mat i sin miljö. Dessa prickar sprids ursprungligen i samma 2D-galler med dokumenten.

Varje ny punkt som läggs till nätet representerar en ant. De "myror" som ofta refereras till i antikolonalgoritmen som agenter , rör sig i 2D-nätet. Varje "ant" kommer antingen att hämta eller släppa bort de andra prickarna (dokument), beroende på var dokumenten bäst hör hemma. I denna analogi tar "maten" formen av dokument tillräckligt så att de kan klustras.

En "myr" går slumpmässigt i rutnätet; om det möter ett dokument kan det utföra en av två åtgärder: plocka eller släppa. Varje cell har en "feromonintensitet" som indikerar hur liknande dokumentet är för de övriga dokumenten (punkterna) som ligger nära det aktuella dokumentet - den ena "anten" håller på att antingen hämta eller släppa.

Observera att "ant" i cell 3 kommer att hämta det svarta prickade dokumentet eftersom det vita "feromon" -värdet dominerar; och flytta till en cell där värdet är nära (liknande) till det som finns i Cell 4 (flera svarta punkter). Sökningen fortsätter iterera tills klyftorna bildas.

I själva verket flyttar "ant" dokument från en cell till en annan för att bilda kluster genom att utföra en av endast två handlingar: plocka upp ett dokument eller släppa ett dokument.

När "myrorna" började flytta slumpmässigt på rutnätet resulterar en punkt i dokumentet att "myran" hämtar ett dokument från sin nuvarande cell och flyttar med det och släpper det i en cell där den hade tillräcklig likhet att passa.

Hur skulle en "ant" bestämma den bästa cellen för att släppa ett dokument? Svaret är att värdena i cellerna fungerar som "feromoner" - och varje cell i 2D-nätet innehåller ett numeriskt värde som kan beräknas på ett sätt som representerar ett dokument i cellen.

Kom ihåg att varje dokument representeras som en uppsättning tal eller en vektor med numeriska värden. "Feromonens intensitet" (det numeriska värdet) ökar när fler dokument släpps in i cellen - och det värdet minskar om siffrorna som representerar dokument flyttas ut ur cellen.