Video: Nieuwe inzichten met SAP HANA, Design Studio en Predictive Analysis 2024
Een visualisatie kan een simulatie (een picturale weergave van een what-if scenario) in voorspellende analyses vertegenwoordigen. U kunt een visualisatie van een voorspelling opvolgen met een simulatie die de voorspelling overlapt en ondersteunt. Wat gebeurt er bijvoorbeeld als het bedrijf stopt met het produceren van Product D? Wat gebeurt er als een natuurramp het thuiskantoor treft? Wat gebeurt er als uw klanten hun interesse in een bepaald product verliezen? U kunt visualisatie gebruiken om het toekomstige gedrag van een bedrijf, een markt, een weersysteem te simuleren - noem maar op.
A dashboard is een ander type visualisatie dat u kunt gebruiken om een uitgebreid model voor voorspellende analyse weer te geven. Met het dashboard kunt u met behulp van een besturingsknop elke stap in de voorspellende analysepijplijn wijzigen. Dit kan het selecteren van de gegevens, het voorbewerken van gegevens, het selecteren van een voorspellend model en het selecteren van de juiste evaluatieversies omvatten.
U kunt op elk gewenst moment elk deel van de pijplijn eenvoudig wijzigen met de bedieningsknop op het dashboard. Een dashboard is een interactief type visualisatie waarbij u controle hebt en u de diagrammen, tabellen of kaarten dynamisch kunt wijzigen op basis van de invoer die u wilt opnemen in de analyses die die diagrammen en grafieken genereren.
Ten minste één voorspellende analysetechniek is puur geïnspireerd op het natuurlijke fenomeen dat vogels massaal rondvliegen. Het model voor het verzamelen van vogels identificeert niet alleen groeperingen in gegevens, maar ook in dynamische actie. Dezelfde techniek kan worden gebruikt om verborgen patronen in uw gegevens in beeld te brengen.
Het model vertegenwoordigt gegevensobjecten zoals vogels die vliegen in een virtuele ruimte, volgens stroomlijnregels die orkestreren hoe een migrerende zwerm vogels in de natuur beweegt.
Vertegenwoordiging van verschillende gegevensobjecten zoals vogels laat zien dat vergelijkbare gegevensobjecten samenkomen om subfragmenten (groeperingen) te vormen. De overeenkomst tussen objecten in de echte wereld is wat de bewegingen van de corresponderende vogels in de virtuele ruimte drijft. Stel u bijvoorbeeld voor dat u de online gegevens wilt analyseren die zijn verzameld door verschillende internetgebruikers (ook wel netizens).
Vogelbevolkingen gebruiken om het online gedrag van internetgebruikers te analyseren.Elk gegeven (afkomstig van bronnen zoals gebruikersinformatie van sociale netwerken en online transacties van klanten) wordt weergegeven als een overeenkomstige vogel in de virtuele ruimte.
Twee netizens massaal.Als het model constateert dat twee of meer gebruikers via e-mail of chat met elkaar communiceren, in dezelfde online foto verschijnen, hetzelfde product kopen of dezelfde interesses delen, toont het model die twee netizens als vogels die samenkomen volgens natuurlijke stroomregels.
De interactie (dat wil zeggen, hoe dicht de representatieve vogels bij elkaar komen) wordt uitgedrukt als een wiskundige functie die afhankelijk is van de frequentie van sociale interactie, of de intensiteit waarmee de gebruikers dezelfde producten kopen of dezelfde interesses delen. Deze nieuwste wiskundige functie is volledig afhankelijk van het type analyse dat u toepast.
De bovenstaande afbeelding toont de interactie op Facebook tussen Netizens X en Y in cyberspace als virtuele ruimte voor vogels, waarbij zowel X als Y worden weergegeven als vogels. Omdat Netizens X en Y met elkaar hebben gecommuniceerd, laten de volgende massale iteratie hun twee vogels als dichter bij elkaar zien.
Een algoritme dat bekend staat als "flock by leader", uitgevonden door Prof. Anasse Bari en Prof. Bellaachia (zie de volgende referenties), werd geïnspireerd door een recente ontdekking waaruit de leiderschapsdynamiek bij duiven bleek. Dit algoritme kan gebruikersinvoer voor gegevenspunten die het in staat stellen om leiders te detecteren, hun volgers te ontdekken, en flockengedrag in virtuele ruimte te initiëren dat nauw nagebootst wat er gebeurt wanneer vlokken van nature vormen - behalve de koppels, in dit geval zijn dataclusters genaamd < datafonden. Deze techniek detecteert niet alleen patronen in gegevens, maar biedt ook een duidelijke grafische weergave van de resultaten die zijn verkregen door voorspellende analysemodellen toe te passen. De regels die natuurlijk vlokgedrag in de natuur orkestreren, werden uitgebreid om nieuwe stroomlijnregels te creëren die voldoen aan gegevensanalyses:
Datastroephomogeniteit:
- Leden van de groep tonen overeenkomst in gegevens. Data flock-leiderschap:
- Het model speelt in op informatieleiders. Het weergeven van een grote gegevensset als een zwerm vogels is een manier om big data gemakkelijk in een dashboard te visualiseren.
Dit visualisatiemodel kan worden gebruikt om stukjes gegevens te detecteren die uitschieters, leiders of volgers zijn. Een politieke toepassing zou kunnen zijn om uitschieters van de gemeenschap, gemeenschapsleiders of aanhangers van de gemeenschap te visualiseren. In het biomedische veld kan het model worden gebruikt om uitbijters genomen en leiders te visualiseren tussen genetische monsters van een bepaalde ziekte (laten we zeggen die waarbij een bepaalde mutatie het meest consistent wordt getoond).
Een vogelfluimerende visualisatie kan ook worden gebruikt om toekomstige patronen van onbekende verschijnselen in cyberspace te voorspellen - burgerlijke onrust, een opkomende sociale beweging, de afstamming van een toekomstige klant.
De stroomversnelling visualisatie is vooral handig als u een grote hoeveelheid gestreamde gegevens ontvangt met hoge snelheid: u kunt de vorming van stroomden zien in de virtuele ruimte die de vogels bevat die uw gegevensobjecten vertegenwoordigen. De resultaten van data-analyse worden (letterlijk) direct weergegeven op de virtuele ruimte. De werkelijkheid krijgt een fictieve, maar toch waarneembare en analytisch zinvolle voorstelling die puur geïnspireerd is op de natuur. Dergelijke visualisaties kunnen ook goed werken als simulaties of what-if-scenario's.
Een visualisatie die is gebaseerd op vlokgedrag begint met het indexeren van elke netizen bij een virtuele vogel. Aanvankelijk zijn alle vogels inactief.Naarmate de gegevens binnenkomen, begint elke vogel te stromen in de virtuele ruimte op basis van de analyseresultaten en de stroomregimes.
De stroomdende netizens volgen.
Hieronder wordt de opkomende kudde gevormd terwijl de analyses worden gepresenteerd.Wat de kudde aan het doen is.
Na analyse van gegevens over een lange periode die eindigt op t + k, kunnen de resultaten van deze toepassing van voorspellende analyseresultaten worden weergegeven zoals hieronder wordt weergegeven: Het koppel-voor-leider algoritme onderscheidt de leden van de groep in drie klassen: een leider, volgers en uitbijters.Flock-by-leader verdeelt de kudde.
Het koppel-voor-leider-algoritme is bedacht door Dr. Bari en Dr. Bellaachia en wordt in detail uitgelegd in deze bronnen:"Flock by Leader: een nieuw apparaat voor het leren van biologisch georiënteerd clusteringalgoritme", IEEE International Conference of Swarm Intelligence, 2012.
- Dit verschijnt ook als boekhoofdstuk in
Advances in Swarm Intelligence, 2012-editie - (Springer-Verlag). "SFLOSCAN: een biologisch geïnformeerd datamining-framework voor gemeenschapsidentificatie in dynamische sociale netwerken", IEEE International Conference on Computational Intelligence, 2011 (SSCI 2011), 2011.