Video: Prediksi Kinerja Karyawan dengan Predictive Analytics 2024
Visualisasi boleh mewakili simulasi (gambaran bergambar senario apa-jika) dalam analisis ramalan. Anda boleh meninjau visualisasi ramalan dengan simulasi yang bertindih dan menyokong ramalan. Sebagai contoh, apa yang berlaku sekiranya syarikat berhenti membuat Produk D? Apa yang berlaku jika bencana alam menyerang pejabat rumah? Apa yang berlaku jika pelanggan anda kehilangan minat dalam produk tertentu? Anda boleh menggunakan visualisasi untuk mensimulasikan tingkah laku masa depan syarikat, pasaran, sistem cuaca - anda namakannya.
A papan pemuka adalah satu lagi jenis visualisasi yang anda boleh gunakan untuk memaparkan model analisis ramalan yang komprehensif. Papan pemuka akan membolehkan anda, menggunakan butang kawalan, untuk mengubah sebarang langkah dalam saluran perangkaan analisis ramalan. Ini boleh termasuk memilih data, proses pra-proses, memilih model ramalan, dan memilih versi penilaian yang tepat.
Anda boleh mengubahsuai mana-mana bahagian saluran paip dengan mudah pada bila-bila masa menggunakan butang kawalan pada papan pemuka. Papan pemuka merupakan jenis visualisasi interaktif di mana anda mempunyai kawalan dan anda boleh menukar gambar rajah, jadual, atau peta secara dinamik berdasarkan input yang anda pilih untuk dimasukkan ke dalam analisis yang menghasilkan carta dan graf tersebut.
Sekurang-kurangnya satu teknik analitik ramalan semata-mata diilhamkan oleh fenomena semulajadi burung yang bertumbuh. Model burung-flocking tidak hanya mengenal pasti pengelompokan dalam data, ia menunjukkan mereka dalam tindakan dinamik. Teknik yang sama boleh digunakan untuk menggambarkan corak tersembunyi dalam data anda.
Model ini mewakili objek data sebagai burung yang terbang di ruang maya, berikut peraturan berdengung yang mengatur bagaimana gerombolan burung yang berhijrah beralih ke alam.
Mewakili beberapa objek data apabila burung mendedahkan bahawa objek data yang serupa akan dikumpulkan bersama untuk membentuk subflocks (kumpulan). Kesamaan antara objek dalam dunia nyata adalah apa yang mendorong pergerakan burung yang sepadan dalam ruang maya. Sebagai contoh, bayangkan anda ingin menganalisis data dalam talian yang dikumpulkan dari beberapa pengguna Internet (juga dikenali sebagai netizens).
Setiap maklumat (yang diperoleh daripada sumber-sumber seperti maklumat pengguna rangkaian sosial dan transaksi dalam talian pelanggan) akan diwakili sebagai burung yang sepadan dalam ruang maya.
Jika model mendapati bahawa dua atau lebih pengguna berinteraksi antara satu sama lain melalui e-mel atau berbual, muncul dalam foto dalam talian yang sama, membeli produk yang sama, atau berkongsi minat yang sama, model tersebut menunjukkan dua orang netizens sebagai burung yang berserakan bersama, mengikut peraturan alam semula jadi.Interaksi (iaitu betapa dekatnya burung perwakilan yang satu sama lain) dinyatakan sebagai fungsi matematik yang bergantung kepada kekerapan interaksi sosial, atau keamatan yang pengguna membeli produk yang sama atau berkongsi minat yang sama. Fungsi matematik terkini ini semata-mata bergantung pada jenis analisis yang anda gunakan.
Imej di atas menggambarkan interaksi di Facebook antara Netizens X dan Y di dunia maya sebagai ruang maya burung yang berduyun, di mana kedua-dua X dan Y diwakili sebagai burung. Kerana Netizens X dan Y telah berinteraksi antara satu sama lain, penyerapan bertumbuk seterusnya akan menunjukkan dua burung mereka sebagai lebih dekat bersama.
Algoritma yang dikenali sebagai "kawanan oleh pemimpin," yang dicipta oleh Prof. Anasse Bari dan Prof. Bellaachia (lihat rujukan berikut), telah diilhamkan oleh penemuan baru-baru ini yang mendedahkan dinamika kepimpinan dalam merpati. Algoritma ini boleh mengembalikan input pengguna untuk titik data yang membolehkannya mengesan pemimpin, menemui pengikutnya, dan memulakan tingkah laku berkelana di ruang maya yang meniru secara dekat dengan apa yang berlaku apabila kambing berbentuk secara semulajadi - kecuali kambing-kambing, dalam kes ini, adalah kumpulan data yang dipanggil < data flocks
. Teknik ini bukan sahaja mengesan corak dalam data, tetapi juga memberikan perwakilan bergambar jelas hasil yang diperoleh dengan menggunakan model analisis ramalan. Kaedah-kaedah yang mengurai tingkah laku semulajadi berkelakuan semulajadi telah diperluaskan untuk mewujudkan peraturan-peraturan baru yang sesuai dengan analisis data: Data mengamalkan homogenitas:
Ahli-ahli kawanan menunjukkan persamaan dalam data.
- Data mengumpul kepimpinan: Model menjangka para pemimpin maklumat.
- Mewakili dataset yang besar sebagai kawanan burung adalah salah satu cara untuk mudah memvisualisasikan data besar di papan pemuka. Model visualisasi ini boleh digunakan untuk mengesan kepingan data yang melebihi, pemimpin, atau pengikut. Satu aplikasi politik boleh digunakan untuk menggambarkan penyerang komuniti, pemimpin masyarakat, atau pengikut komuniti. Dalam bidang bioperubatan, model ini boleh digunakan untuk membayangkan genom dan pemimpin yang lebih jelas di kalangan sampel genetik penyakit tertentu (katakan, mereka yang menunjukkan mutasi tertentu paling konsisten).
Visualisasi burung-burung juga boleh digunakan untuk meramalkan corak masa depan fenomena yang tidak diketahui di ruang siber - kerusuhan awam, pergerakan sosial yang muncul, garis keturunan pelanggan masa depan.
Penggambaran pengumpulan sangat berguna jika anda menerima jumlah besar data yang disalurkan pada halaju tinggi: Anda dapat melihat pembentukan berkumpul di ruang maya yang mengandungi burung yang mewakili objek data anda. Hasil analisis data dicerminkan (secara literal) dengan cepat di ruang maya. Realiti diberikan gambaran yang fiktif, namun boleh dilihat dan analitik bermakna, perwakilan semata-mata diilhamkan dari alam semula jadi. Visualisasi sedemikian juga boleh berfungsi dengan baik sebagai simulasi atau senario apa-jika.
Penglihatan berdasarkan tingkah laku berdengung bermula dengan mengindeks setiap netizen kepada burung maya. Pada mulanya, semua burung terbiar.Apabila data masuk, setiap burung mula berteduh di ruang maya mengikut hasil analitik dan peraturan berdengung.
Mengesan netizens berkumpul.
Di bawah ini, kawanan yang dibentuk terbentuk apabila analisis dipaparkan.
Selepas menganalisis data dalam tempoh masa yang besar yang berakhir pada t + k, keputusan aplikasi analitik ramalan ramalan ini dapat digambarkan seperti ditunjukkan di bawah: Algoritma domba-oleh-pemimpin membezakan anggota kawanan dalam tiga kelas: seorang pemimpin, pengikut, dan pendengar.
Algoritma domba-oleh-pemimpin telah dicipta oleh Dr. Bari dan Dr. Bellaachia dan dijelaskan secara terperinci dalam sumber-sumber ini:
Ini juga muncul sebagai bab buku dalam
- Kemajuan dalam Swarm Intelligence,
Edisi 2012 - (Springer-Verlag). "SFLOSCAN: Rangka Kerja Perlombongan Data Biokimia untuk Pengenalpastian Masyarakat dalam Rangkaian Sosial Dinamik", Persidangan Antarabangsa IEEE on Intelligence Computational, 2011 (SSCI 2011), 2011.
