Ny visualisering i prediktiv analys - dummies

En visualisering kan representera en simulering (en bildrepresentation av ett vad som helst scenario) i prediktiv analys. Du kan följa upp en visualisering av en förutsägelse med en simulering som överlappar och stöder förutsägelsen. Till exempel, vad händer om företaget slutar att tillverka produkt D? Vad händer om en naturkatastrof träffar hemmakontoret? Vad händer om dina kunder förlorar intresse för en viss produkt? Du kan använda visualisering för att simulera framtida beteende hos ett företag, en marknad, ett väder system - du heter det.

A instrumentbräda är en annan typ av visualisering som du kan använda för att visa en omfattande prediktiv analysmodell. I instrumentpanelen kan du, med hjälp av en kontrollknapp, ändra något steg i prediktiv analys pipeline. Det kan innebära att du väljer data, förhandsbehandling av data, väljer en prediktiv modell och väljer rätt utvärderingsversioner.

Du kan enkelt ändra vilken del av rörledningen som helst när du använder kontrollknappen på instrumentpanelen. En instrumentpanel är en interaktiv typ av visualisering där du har kontroll och du kan ändra diagrammen, tabellerna eller kartorna dynamiskt baserat på de ingångar du väljer att inkludera i analyserna som genererar dessa diagram och diagram.

Minst en prediktiv analysteknik är rent inspirerad av det naturliga fenomenet fåglar som flockar. Fågelflockningsmodellen identifierar inte bara grupperingar i data, det visar dem i dynamisk handling. Samma teknik kan användas för att visa dolda mönster i dina data.

Modellen representerar dataobjekt som fåglar som flyger i ett virtuellt utrymme, efter flocking rules som orkestrerar hur en flyttande svärm av fåglar rör sig i naturen.

Representerar flera dataobjekt som fåglar visar att liknande dataobjekt kommer att flockas samman för att bilda delflocks (grupperingar). Likheten mellan objekt i den verkliga världen är vad som driver de motsvarande fåglarnas rörelser i det virtuella rummet. Tänk dig att du vill analysera online-data som samlats in från flera Internet-användare (även känd som netizens).

Använda flockflockning för att analysera internetanvändarnas online beteende.

Varje bit av information (upptagen från sådana källor som information om sociala nätverksanvändare och kundtransaktioner) kommer att representeras som en motsvarande fågel i virtuellt utrymme.

Två netizens flocking.

Om modellen finner att två eller flera användare interagerar med varandra via e-post eller chatt, visas i samma online-foto, köper samma produkt eller delar samma intressen, visar modellen de två netizens som fåglar som flockar ihop, enligt naturliga flockningsregler.

Samspelet (det vill säga hur nära de representativa fåglarna kommer till varandra) uttrycks som en matematisk funktion som beror på frekvensen av social interaktion eller intensiteten med vilken användarna köper samma produkter eller delar samma intressen. Den senaste matematiska funktionen beror helt på vilken typ av analys du tillämpar.

Bilden ovan visar interaktionen på Facebook mellan Netizens X och Y i cyberspace som fågelspännande virtuellt utrymme, där både X och Y representeras som fåglar. Eftersom Netizens X och Y har interagerat med varandra, kommer nästa flockning av iteration att visa sina två fåglar närmare varandra.

En algoritm som kallas "flock by leader", uppfann av Prof. Anasse Bari och Prof. Bellaachia (se följande referenser), inspirerades av en ny upptäckt som avslöjade ledarskapsdynamiken i duvor. Denna algoritm kan mina användarinmatning för datapunkter som gör det möjligt att upptäcka ledare, upptäcka deras anhängare och initiera flockningsbeteende i virtuellt utrymme som nära efterliknar vad som händer när flockar bildas naturligt - förutom flockarna, i det här fallet kallas dataklyftor < dataflockar. Denna teknik upptäcker inte bara mönster i data utan ger också en klar bildrepresentation av resultaten som erhållits genom att använda prediktiva analysmodeller. Reglerna som orkestrerar naturligt flockningsbeteende i naturen utsträcktes för att skapa nya flockningsregler som överensstämmer med dataanalys:

Dataflockhomogenitet:

• Flockmedlemmar visar likheter i data. Dataflock ledarskap:
• Modellen förutser informationsledare. Att representera en stor dataset som en flock fåglar är ett sätt att enkelt visualisera stora data i en instrumentbräda.

Denna visualiseringsmodell kan användas för att detektera bitar av data som är outliers, ledare eller följare. En politisk applikation kan vara att visualisera samhällsutestängare, samhällsledare eller samhällsföljare. I det biomedicinska fältet kan modellen användas för att visualisera outliers genomer och ledare bland genetiska prover av en viss sjukdom (t.ex. de som visar en viss mutation mest konsekvent).

En fångstflockande visualisering kan också användas för att förutse framtida mönster av okända fenomen i cyberspace - civil oro, en framväxande social rörelse, en framtida kunds släktskap.

Den flockande visualiseringen är speciellt användbar om du får en stor mängd strömad data med hög hastighet: Du kan se bildandet av flockning i det virtuella rummet som innehåller de fåglar som representerar dina dataobjekt. Resultaten av dataanalys återspeglas (bokstavligen) i flygningen på det virtuella rummet. Verkligheten ges en fiktiv, men observerbar och analytiskt meningsfull representation som är rent inspirerad från naturen. Sådana visualiseringar kan också fungera bra som simuleringar eller vad-om-scenarier.

En visualisering baserad på flockningsbeteende börjar genom att indexera varje nät till en virtuell fågel. Ursprungligen är alla fåglar oförmögna.När data kommer in börjar varje fågel flocka i det virtuella utrymmet enligt analysresultaten och flockningsreglerna.

Spåra flocking netizens.

Nedan bildas den framväxande flocken då analyserna presenteras.

Vad flocken gör.

Efter analys av data under en stor tidsperiod som slutar vid t + k, kan resultaten av denna applikation av predictive analytics-resultat avbildas enligt nedan: Algoritmen för flock-vid-ledare skiljer flockens medlemmar i tre klasser: en ledare, följare och outliers.

Flock-by-leader delar upp flocken.

Flock-by-leader-algoritmen uppfanns av Dr Bari och Dr. Bellaachia och det förklaras i detaljer i dessa resurser:

"Flock by Leader: En novel machine learning biologically-inspired clustering algorithm", IEEE International Conference of Swarm Intelligence, 2012.

• Detta framträder också som ett kapitel i

Förskott i svärmintelligens, 2012 Edition - (Springer-Verlag). "SFLOSCAN: En biologiskt inspirerad data mining ram för gemenskapsidentifiering i dynamiska sociala nätverk", IEEE International Conference on Computational Intelligence, 2011 (SSCI 2011), 2011.