مقالات

17.2: النموذج الإسقاطي


توضح الصورة التالية الخريطة (P mapsto hat {P} ) الموضحة في القسم السابق - إذا التقطت الصورة على اليسار وقمت بتطبيق الخريطة (P mapsto hat P ) ، تحصل على الصورة على اليمين. الصور امتثالي و نموذج إسقاطي من المستوى الزائدي على التوالي. الخريطة (P mapsto hat P ) هي "ترجمة" من واحدة إلى أخرى.

في النموذج الإسقاطي تبدو الأشياء مختلفة ؛ يصبح بعضها أبسط ، وتصبح أشياء أخرى أكثر تعقيدًا.

خطوط

إن خطوط h في النموذج الإسقاطي هي أوتار المطلقة ؛ بتعبير أدق ، الأوتار بدون نهاياتها.

يمكن استخدام هذه الملاحظة لنقل عبارات حول الخطوط والنقاط من المستوى الإقليدي إلى المستوى h. كمثال ، دعونا نذكر نسخة زائدية من نظرية بابوس للطائرة h.

نظرية ( PageIndex {1} ) نظرية بابوس الزائدية

افترض أن نقطتين من نقاط h (A ) و (B ) و (C ) و (A ') و (B' ) و (C ') في h -الطائرة هي خط متداخلة h. افترض أن نقاط h (X ) و (Y ) و (Z ) محددة بواسطة

( start {align} X & = (BC ') _ h cap (B'C) _h، & Y & = (CA') _ h cap (C'A) _h، & Z & = (AB ') _ h cap (A'B) _h. end {align} )

ثم تكون النقاط (X ) ، (Y ) ، (Z ) متداخلة h.

في النموذج الإسقاطي ، يتبع هذا البيان مباشرة من نظرية بابوس الأصلية 15.6.2. يمكن فعل الشيء نفسه بالنسبة لنظرية Desargues 15.6.1. توضح نفس الحجة أن إنشاء خط مماس بمسطرة موصوفة فقط في التمرين 15.8.2 يعمل في المستوى h أيضًا.

من ناحية أخرى ، لاحظ أنه ليس من السهل على الإطلاق إثبات هذه العبارة باستخدام النموذج المطابق.

الدوائر و equidistants

الدوائر h و equidistants في النموذج الإسقاطي هي نوع معين من الأشكال البيضاوية وأقواسها المفتوحة.

ويتبع ذلك لأن الإسقاط المجسم يرسل الدوائر على المستوى إلى دوائر على وحدة المجال وإسقاط نقطة القدم للدائرة مرة أخرى إلى المستوى هو قطع ناقص. (يمكن للمرء أن يحدد الشكل البيضاوي كإسقاط نقطة قدم لدائرة.)

مسافه: بعد

ضع في اعتبارك زوج من النقاط h (P ) و (Q ). دع (A ) و (B ) هما النقطة المثالية للخط h في النموذج الإسقاطي ؛ أي ، (A ) و (ب ) هي تقاطعات الخط الإقليدي ((PQ) ) مع المطلق.

ثم بواسطة Lemma 17.1.1 ،

[PQ_h = dfrac {1} {2} cdot ln dfrac {AQ cdot BP} {QB cdot PA} ]

بافتراض أن النقاط (A ، P ، Q ، B ) تظهر على السطر بنفس الترتيب.

الزوايا

تختلف مقاييس الزاوية في النموذج الإسقاطي اختلافًا كبيرًا عن الزوايا الإقليدية ومن الصعب معرفة ذلك من خلال النظر إلى الصورة (الفكرة الموضحة في حل التمرين 16.3.1 وفي مخطط إثبات النظرية 19.4.1 يمكن استخدامها لإنشاء العديد من التحويلات الإسقاطية من هذا النوع.) على سبيل المثال ، تكون جميع خطوط h المتقاطعة على الصورة عمودية.

هناك نوعان من الاستثناءات المفيدة:

  • إذا كان (O ) هو مركز المطلق ، فحينئذٍ [ مقاسةangle_hAOB = مقاسة AOB. ]

  • إذا كان (O ) هو مركز المطلق و ( مثلث OAB = pm tfrac pi2 ) ، إذن

( Measangle_h OAB = selected OAB = pm dfrac { pi} {2}. )

لإيجاد قياس الزاوية في النموذج الإسقاطي ، يمكنك تطبيق حركة المستوى h الذي يحرك رأس الزاوية إلى مركز المطلق ؛ بمجرد الانتهاء من ذلك ، يكون للزاوية الزائدية والإقليدية نفس المقياس.

حركات

تعتبر حركات المستوى h في النماذج المطابقة والإسقاطية ذات صلة بالتحولات العكسية والتحول الإسقاطي بنفس الطريقة. يسمى:

  • تصف التحويلات العكسية التي تحافظ على المستوى h حركات المستوى h في النموذج المطابق.

  • تصف التحويلات الإسقاطية التي تحافظ على المستوى h حركات المستوى h في النموذج الإسقاطي.1

التمرين التالي هو التناظرية الزائدية للتمرين 16.5.1. هذا هو المثال الأول لبيان يعترف بإثبات أسهل باستخدام النموذج الإسقاطي.

تمرين ( PageIndex {1} )

لنفترض أن (P ) و (Q ) هما النقطتان في المستوى h التي تقع على نفس المسافة من مركز المطلق. لاحظ أنه في النموذج الإسقاطي ، تتطابق h-midpoint of ([PQ] _h ) مع نقطة الوسط الإقليدية لـ ([PQ] _h ).

استنتج أنه إذا كان المثلث h مدرجًا في دائرة h ، فإن متوسطاته تلتقي عند نقطة واحدة.

تذكر أن المثلث h يمكن أن يكون مدرجًا أيضًا في دائرة الأبراج أو على مسافة متساوية. فكر في كيفية إثبات العبارة في هذه الحالة.

تلميح

تتبع الملاحظة لأن الانعكاس عبر المنصف العمودي لـ ([PQ] ) هو حركة المستوى الإقليدي ، وحركة المستوى h أيضًا. بدون فقدان العمومية ، قد نفترض أن مركز الختان يتطابق مع مركز المطلق. في هذه الحالة ، تتطابق المتوسطات h للمثلث مع المتوسطات الإقليدية. يبقى تطبيق نظرية 8.3.1.

تمرين ( PageIndex {2} )

لنفترض أن ( ell ) و (م ) هما أسطر h في النموذج الإسقاطي. دع (s ) و (t ) تشير إلى الخطوط الإقليدية المماس للمطلق عند النقاط المثالية لـ ( ell ). أظهر أنه إذا كانت الخطوط (s ) و (t ) وامتداد (م ) تتقاطع عند نقطة واحدة ، فإن ( ell ) و (م ) هي خطوط عمودية على شكل حرف h.

تلميح

لنفترض أن ( hat { ell} ) و ( hat {m} ) يشيران إلى الأسطر h في النموذج المطابق الذي يتوافق مع ( ell ) و (m ). نحتاج إلى إظهار أن ( hat { ell} perp hat {m} ) كأقواس في المستوى الإقليدي.

النقطة (Z ) ، حيث يلتقي (s ) مع (t ) ، هي مركز الدائرة ( Gamma ) التي تحتوي على ( hat { ell} ).

إذا كان ( hat {m} ) يمر عبر (Z ) ، فإن الانعكاس في ( Gamma ) يتبادل النقاط المثالية لـ ( hat { ell} ). على وجه الخصوص ، ( hat { ell} ) تعين نفسها. ومن هنا النتيجة.

تمرين ( PageIndex {3} )

استخدم النموذج الإسقاطي لاشتقاق معادلة زاوية التوازي (اقتراح 13.1.1).

تلميح

دع (Q ) تكون نقطة سفح (P ) على الخط و ( varphi ) تكون زاوية التوازي. يمكننا أن نفترض أن (P ) هو مركز المطلق. لذلك (PQ = cos varphi ) و

(PQ_h = dfrac {1} {2} cdot ln dfrac {1 + cos varphi} {1 - cos varphi}. )

تمرين ( PageIndex {4} )

استخدم النموذج الإسقاطي لإيجاد نصف قطر المثلث المثالي.

تلميح

تطبيق التمرين ( PageIndex {3} ) على ( varphi = dfrac { pi} {3} ).

يمكن استخدام النموذج الإسقاطي للطائرة h لإعطاء دليل آخر على نظرية فيثاغورس الزائدية (نظرية 13.6.1).

أولا دعونا نتذكر بيانه:

[ cosh c = cosh a cdot cosh b ، ]

حيث (a = BC_h ) ، (b = CA_h ) ، و (c = AB_h ) و ( triangle_hACB ) هو مثلث h بزاوية قائمة عند (C ).

لاحظ أنه يمكننا افتراض أن (A ) هو مركز المطلق. اضبط (s = BC ) ، (t = CA ) ، (u = AB ). وفقًا لنظرية فيثاغورس الإقليدية (نظرية 6.2.1) ، لدينا

[u ^ 2 = s ^ 2 + t ^ 2. ]

يبقى التعبير عن (a ) و (b ) و (c ) باستخدام (s ) و (u ) و (t ) وإظهار أن 17.2.3 يعني 17.2.3. 2.

تمرين متقدم ( PageIndex {5} )

قم بإنهاء إثبات نظرية فيثاغورس الزائدية (نظرية 13.6.1) المشار إليها أعلاه.

تلميح

لاحظ أن (b = dfrac {1} {2} cdot ln dfrac {1 + t} {1 - t} ) ، لذلك ،

[ cosh b = dfrac {1} {2} cdot ( sqrt { dfrac {1 + t} {1 - t}} + sqrt { dfrac {1 - t} {1 + t}} ) = dfrac {1} { sqrt {1 - t ^ 2}}. ]

بنفس الطريقة نحصل على ذلك

[ cosh c = dfrac {1} { sqrt {1 - u ^ 2}}. ]

لنفترض أن (X ) و (Y ) هما النقطتان المثاليتان لـ ((BC) _h ). بتطبيق نظرية فيثاغورس (نظرية 6.2.1) مرة أخرى ، نحصل على (CX = CY = sqrt {1 - t ^ 2} ). وبالتالي،

(a = dfrac {1} {2} cdot ln dfrac { sqrt {1 - t ^ 2} + s} { sqrt {1 - t ^ 2} - s} ، )

و

[ cosh a = dfrac {1} {2} cdot ( dfrac { sqrt {1 - t ^ 2} + s} { sqrt {1 - t ^ 2} - s} + dfrac { الجذر التربيعي {1 - t ^ 2} - s} { sqrt {1 - t ^ 2} + s}) = dfrac { sqrt {1 - t ^ 2}} { sqrt {1 - t ^ 2 - s ^ 2}} = dfrac { sqrt {1 - t ^ 2}} { sqrt {1 - u ^ 2}}. ]

أخيرًا ، لاحظ أن 17.2.5 و 17.2.6 و 17.2.7 تشير إلى النظرية.


مقدمة في علوم البيانات

هذا الفحص دقيق بنسبة 99٪ في الكشف عن بعض الحالات.

تكتشف هذه الخوارزمية معاملات بطاقات الائتمان الاحتيالية بدقة تصل إلى 99٪.

تبدو كلتا العبارتين جيدة جدًا ، لكن لا ينبغي لنا التوقف عند هذا الحد ، بل طرح المزيد من الأسئلة.

ما هو المقياس الذي يتم على أساسه تقييم جودة الاختبار والإبلاغ عنه؟ ماذا عن الإجراءات الأخرى؟

ما هو الأداء الأساسي وأداء الخوارزميات البديلة؟

ثلاثة أسئلة رئيسية يجب طرحها قبل محاولة التنبؤ بأي شيء:

كيف هو الأداء أو النجاح التنبئي مقيمة?

ما هو ملف حدود أداء وأداء البديل المعايير?

فرّق بين التنبؤات المختلفة مهام و ال مقاسات تستخدم لتقييم النجاح:

1. اثنان من المبادئ التنبؤية مهام: التصنيف مقابل تنبؤات النقاط

2. مختلفة مقاسات لتقييم (تحديد) جودة التنبؤات

ملاحظة: من المغري النظر إلى مهام التصنيف والمهام الكمية على أنها نوعين من التنبؤات "النوعية" مقابل التنبؤات "الكمية". ومع ذلك ، فإن هذا من شأنه أن يكون مضللا ، كما نوعي يتم تقييم التنبؤات أيضًا في أ كمي موضه. وبالتالي ، فإننا نفضل التمييز بين المهام المختلفة ، بدلاً من الأنواع المختلفة للتنبؤ.

17.2.1 أنواع المهام

ad 1A: نوعان من المهام التنبؤية

نوعي مهام التنبؤ: مهام التصنيف. الهدف الرئيسي: توقع العضوية في بعض الفئات.
الهدف الثانوي: التقييم بمصفوفة 2x2 للحالات المتوقعة مقابل الحقيقية (مع حالتين صحيحتين وخطأين).

كمي مهام التنبؤ: تنبؤات النقطة مع النتائج الرقمية. الهدف الرئيسي: توقع بعض القيمة على مقياس.
الهدف الثانوي: التقييم بالمسافة بين القيم المتوقعة والحقيقية.

ملحوظة: يميز بعض المؤلفين (على سبيل المثال ، في 7 نماذج ملائمة مع الجزر الأبيض من نمذجة مرتبة مع حرف R) بين مختلف أساليب. ال وضع يعكس نوع نتيجة التنبؤ. بالنسبة للنتائج الرقمية ، يكون الوضع تراجع من أجل النتائج النوعية ، هو كذلك تصنيف.

17.2.2 تقييم النجاح التنبئي

ad 1B: في ضوء بعض التنبؤات ، كيف يتم تقييم النجاح التنبئي (كميًا)؟

تذكر المثال السابق من مشكلة التصوير الشعاعي للثدي: يتميز الفحص بحساسية وخصوصية عاليتين ، ولكنه منخفض في PPV.

لاحظ أنه - لجميع أنواع التنبؤات - هناك دائمًا مقايضات بين العديد من البدائل مقاسات لقياس نجاحهم. يمكن أن يكون تعظيم واحد منهم فقط أمرًا خطيرًا ومضللًا.

17.2.3 أداء خط الأساس والمعايير الأخرى

إعلان 2. للوهلة الأولى ، التعليمات "توقع ظاهرة الاهتمام باستخدام دقة عالية. " يبدو إجابة معقولة على السؤال "ما الذي يميز الخوارزمية التنبؤية الناجحة؟"
ومع ذلك ، فإن الدقة العالية ليست مثيرة للإعجاب إذا كان خط الأساس مرتفعًا بالفعل. على سبيل المثال ، إذا هطل المطر بنسبة 10٪ فقط من جميع أيام الصيف في بعض المناطق ، فإن التنبؤ دائمًا بـ "لا أمطار" سيحقق دقة تبلغ 90٪.

يبدو هذا تافهًا ، ولكن ضع في اعتبارك الأمثلة المذكورة أعلاه للكشف عن بعض الحالات الطبية أو معاملات بطاقات الائتمان الاحتيالية: بالنسبة لحالة طبية نادرة ، فإن الاختبار الزائف المزيف الذي دائما تقول "صحية" ستحقق دقة رائعة. وبالمثل ، إذا كانت أكثر من 99٪ من جميع معاملات بطاقات الائتمان مشروعة ، دائما توقع "المعاملة على ما يرام" سيحقق دقة تزيد عن 99٪ ...

ومن ثم ، يجب أن نسأل أنفسنا دائمًا:

ما هو أدنى معيار مرجعي ممكن (على سبيل المثال ، للتنبؤات العشوائية)؟

ما هي المستويات التي يمكن تحقيقها من خلال تنبؤات ساذجة أو بسيطة للغاية؟

نظرًا لأن الكمال عادةً ما يكون مستحيلًا ، فنحن بحاجة إلى تحديد إلى أي مدى يجب أن تكون قواعدنا أفضل من الخوارزميات البديلة. بالنسبة لهذا التقييم الأخير ، من المهم معرفة المنافسة.


Oracle & reg Data Miner

توفر هذه الوثيقة أحدث المعلومات والمعلومات التي لم تصبح بعد جزءًا من الوثائق الرسمية.

يحتوي هذا المستند على المواضيع التالية:

الميزات الجديدة في Oracle Data Miner

ميزات استخراج البيانات من Oracle

تتضمن ميزات Oracle Data Mining الجديدة ما يلي:

مقاييس التجميع النموذجية للرابطة

يدعم Oracle Data Miner 17.2 خوارزمية قواعد الاقتران المحسّنة ويسمح للمستخدم بتصفية العناصر قبل إنشاء نموذج الاقتران.

يمكن للمستخدم تعيين عوامل التصفية في محرر عقدة Association Build ، وعارض نموذج الرابطة ، ومحرر عقدة تفاصيل النموذج.

تحسينات على إعدادات الخوارزمية

تم تحسين Oracle Data Miner 17.2 لدعم التحسينات في Oracle Data Mining التي تتضمن إعدادات الإنشاء لبناء نماذج الأقسام ، وأخذ عينات من بيانات التدريب ، وإعداد البيانات الرقمية التي تتضمن تحويلات التحول والقياس ، وما إلى ذلك.

تتوفر هذه الإعدادات إذا كان Oracle Data Miner 17.2 متصلاً بـ Oracle Database 12.2.

تتضمن التغييرات في الخوارزميات ما يلي:

التغييرات على إعدادات خوارزمية شجرة القرار

تمت إضافة إعداد الحد الأقصى من الصناديق الخاضعة للإشراف CLAS_MAX_SUP_BINS في خوارزمية شجرة القرار.

التغييرات على إعدادات خوارزمية تعظيم التوقع

يستبدل الإعداد "مستوى التفاصيل" الإعداد الحالي "تجميع إحصائيات المجموعة".

إعداد الخوارزمية الأساسي المستخدم هو EMCS_CLUSTER_STATISTICS حيث All = ENABLE ، و Hierarchy = DISABLE. تمت إضافة بعض الإعدادات الإضافية وإهمال بعض الإعدادات.

الحساب التقريبي ODMS_APPROXIMATE_COMPUTATION

التغييرات على إعدادات خوارزمية النماذج الخطية المعممة

تم تضمين التغييرات التالية في إعدادات خوارزمية النموذج الخطي المعمم. تنطبق التغييرات على كل من نماذج التصنيف ونماذج الانحدار.

تقارب التسامح GLMS_CONV_TOLERANCE

عدد التكرارات GLMS_NUM_ITERATIONS

صفوف الدُفعات GLMS_BATCH_ROWS

أداة حل متفرقة GLMS_SPARSE_SOLVER

حساب تقريبي ODMS_APPROXIMATE_COMPUTATION

المعالجة التوقعية الفئوية GLMS_SELECT_BLOCK

أخذ عينات لتعريف الميزة GLMS_FTR_IDENTIFICATION

قبول الميزة GLMS_FTR_ACCEPTANCE

التغييرات على إعدادات خوارزمية k -Means

تم دمج التغييرات التالية في إعدادات خوارزمية k -Means.

مستويات التفاصيل KMNS_DETAILS

بذور عشوائية KMNS_RANDOM_SEEDS

تغييرات لدعم إعدادات خوارزمية آلة المتجهات

تم تضمين التغييرات التالية في إعدادات خوارزمية Support Vector Machine. التغييرات قابلة للتطبيق على كل من الدالات الخطية و Gaussian kernel.

عدد التكرارات SVMS_NUM_ITERATIONS

الصفوف الدفعية SVMS_BATCH_ROWS

ينطبق على وظيفة Gaussian kernel فقط.

ينطبق على وظيفة Gaussian kernel فقط.

التغييرات في إعدادات خوارزمية تحليل القيمة الفردية والمكونات الرئيسية

تم تضمين التغييرات التالية في خوارزمية تحليل القيمة الفردية وتحليل المكونات الرئيسية.

البذور العشوائية SVDS_RANDOM_SEED

أكثر من أخذ عينات SVDS_OVER_SAMPLING

تكرار الطاقة SVDS_POWER_ITERATION

حساب تقريبي ODMS_APPROXIMATE_COMPUTATION

دعم خوارزمية التحليل الدلالي الصريح

يدعم Oracle Data Miner 17.2 خوارزمية استخراج ميزة جديدة تسمى خوارزمية التحليل الدلالي الصريح.

يتم دعم الخوارزمية من خلال عقدتين جديدتين ، وهما عقدة استخراج الميزات الصريحة وعقدة مقارنة الميزات.

عقدة استخراج الميزة الصريحة

تم بناء عقدة استخراج الميزة الصريحة باستخدام خوارزمية التحليل الدلالي الصريح.

الحسابات المتعلقة بدلالات الألفاظ

ميزة مقارنة العقدة

تمكنك عقدة مقارنة الميزات من إجراء العمليات الحسابية المتعلقة بالدلالات في البيانات النصية ، المضمنة في عقدة مصدر بيانات واحدة مقابل عقدة مصدر بيانات أخرى.

مصدران لبيانات الإدخال. يمكن أن يكون مصدر البيانات هو تدفق بيانات السجلات ، مثل الاتصال بواسطة عقدة مصدر البيانات أو بيانات سجل واحدة يدخلها المستخدم داخل العقدة. في حالة إدخال البيانات من قبل المستخدمين ، لا داعي لمزود بيانات الإدخال.

استخلاص ميزة إدخال واحد أو نموذج استخراج ميزة صريح ، حيث يمكن تحديد نموذج للحسابات المتعلقة بدلالات الألفاظ.

تحسين طريقة عرض تفاصيل نموذج التنقيب عن البيانات

تم تحسين عارضات النماذج في Oracle Data Miner 17.2 لتعكس التغييرات في Oracle Data Mining.

تشمل التحسينات التي تم إدخالها على عارضات النماذج ما يلي:

يتم عرض الإعدادات المحسوبة داخل النموذج في علامة التبويب "الإعدادات" في عارض النموذج.

تم دمج عرض قاموس التحويل المضمن للمستخدم الجديد مع علامة تبويب المدخلات ضمن الإعدادات.

يتم عرض بيانات تفاصيل البناء في علامة تبويب الملخص ضمن الملخص

يكتشف عارض نموذج الكتلة النماذج بتفاصيل جزئية ، ويعرض رسالة تشير إلى ذلك. ينطبق هذا أيضًا على عارض النماذج ك وعارض نموذج تكبير التوقعات.

تحسينات لتصفية عقدة العمود

يدعم استخراج البيانات في Oracle Data تصنيف أهمية السمات غير الخاضع للإشراف. يتم إنشاء ترتيب أهمية السمة للعمود دون الحاجة إلى تحديد عمود هدف. تم تحسين عقدة عمود التصفية لدعم تصنيف أهمية السمة غير الخاضع للإشراف.

تنبيهات بناء نموذج التعدين

يقوم Oracle Data Miner بتسجيل التنبيهات المتعلقة ببنيات النموذج في عارضات النماذج وسجلات الأحداث.

عارضو النماذج: يتم عرض تنبيهات البناء في علامة تبويب التنبيهات.

سجل الأحداث: يتم عرض جميع تنبيهات الإنشاء مع تفاصيل أخرى مثل اسم الوظيفة والعقدة والعقدة الفرعية والوقت والرسالة.

R بناء نموذج العقدة

يوفر Oracle Data Mining ميزة لإضافة تطبيقات نموذج R ضمن إطار عمل Oracle Data Mining. لدعم تكامل نموذج R ، تم تحسين Oracle Data Miner من خلال عقدة R Build جديدة مع وظائف التعدين مثل التصنيف والانحدار والتجميع واستخراج الميزات.

دعم النماذج المقسمة

يدعم Oracle Data Miner بناء واختبار النماذج المقسمة.

ميزات Oracle Data Miner

تتضمن ميزات Oracle Data Miner الجديدة ما يلي:

دعم عقدة التجميع لأنواع بيانات DATE و TIMESTAMP

تم تحسين عقدة التجميع لدعم أنواع البيانات DATE و TIMESTAMP.

بالنسبة لأنواع بيانات DATE و TIMESTAMP ، فإن الوظائف المتاحة هي COUNT () و COUNT (DISTINCT ()) و MAX () و MEDIAN () و MIN () و STATS_MODE ().

تحسين عقدة استعلام JSON

تسمح عقدة استعلام JSON بتحديد شروط التصفية على السمات مع أنواع البيانات مثل ARRAY و BOOLEAN و NUMBER و STRING.

JSON Unnest & mdash يطبق عامل التصفية على بيانات JSON المستخدمة في الإسقاط على تنسيق البيانات العلائقية.

التجميعات و [مدش] يطبق عوامل التصفية على بيانات JSON المستخدمة للتجميع.

يطبق JSON Unnest و Aggregations & mdash عامل التصفية على كليهما.

تحسين بناء العقد

تم تحسين جميع عقد البناء لدعم أخذ عينات من بيانات التدريب وإعداد البيانات الرقمية.

يتم تنفيذ التحسين في علامة التبويب Sampling في جميع محررات إنشاء العقد. بشكل افتراضي ، يتم تعيين خيار Sampling على OFF. عند التعيين على "تشغيل" ، يمكن للمستخدم تحديد حجم صف العينة أو اختيار الإعدادات التي يحددها النظام.

إعداد البيانات غير مدعوم في نموذج بناء الاقتران.

تحرير عقدة اكتشاف الشذوذ

تحرير عقدة بناء الاقتران

تحرير تصنيف بناء عقدة

تحرير عقدة بناء المجموعات

تحرير استخراج ميزة صريحة بناء عقدة

تحرير عقدة بناء استخراج الميزة

تحرير عقدة بناء الانحدار

تحسين إعدادات النص

تم تحسين إعدادات النص لدعم الميزات التالية:

دعم النص للمرادفات (قاموس المرادفات): يدعم تعدين النص في Oracle Data Miner المرادفات. افتراضيًا ، لا يتم تحميل أي قاموس مترادفات. يجب على المستخدم تحميل قاموس المرادفات الافتراضي الذي يوفره Oracle Text يدويًا أو تحميل قاموس المرادفات الخاص به.

تمت إضافة الإعدادات الجديدة في علامة التبويب "النص":

الحد الأدنى لعدد الصفوف (المستندات) المطلوبة للرمز المميز

أقصى عدد من الرموز المميزة في جميع الصفوف (المستندات)

تمت إضافة الرموز المميزة الجديدة لإعداد BIGRAM:

بيجرام: هنا ، يتم خلط الرموز المميزة العادية بأشكالها الكبيرة

STEM BIGRAM: هنا ، يتم استخراج الرموز المميزة لـ STEM أولاً ثم يتم تشكيلها.

تحديث تعريف بيانات الإدخال

استخدم الخيار Refresh Input Data Definition إذا كنت تريد تحديث سير العمل بأعمدة جديدة ، تمت إضافتها أو إزالتها.

يتوفر الخيار Refresh Input Data Definition كخيار قائمة سياق في عُقد مصدر البيانات وعُقد استعلام SQL.

دعم أنواع البيانات الإضافية

يسمح Oracle Data Miner بإدخال أنواع البيانات التالية كأعمدة في عقدة مصدر البيانات ، وكأعمدة محسوبة جديدة ضمن سير العمل:

دعم العمود في الذاكرة

يدعم Oracle Data Miner مخزن الأعمدة في الذاكرة (IM Column Store) في Oracle Database 12.1.0.2 والإصدارات الأحدث ، وهو عبارة عن تجمع SGA ثابت اختياري يخزن نسخًا من الجداول والأقسام بتنسيق عمودي خاص.

تم تحسين Oracle Data Miner لدعم العمود المضمن في العُقد في سير العمل. بالنسبة لإعدادات العمود داخل الذاكرة ، تتوفر خيارات تعيين طريقة ضغط البيانات ومستوى الأولوية في مربع الحوار تحرير إعدادات أداء العقدة.

دعم جدولة سير العمل

يدعم Oracle Data Miner 17.2 ميزة جدولة مهام سير العمل للتشغيل في تاريخ ووقت محددين.

يتوفر سير عمل مجدول للعرض فقط. يتوفر خيار إلغاء سير عمل مجدول. بعد إلغاء سير عمل مجدول ، يمكن تحرير سير العمل وإعادة جدولته.

تحسين أداء الاقتراع

تم تحسين أداء الاستقصاء ووظيفة استخدام الموارد من خلال واجهات مستخدم جديدة.

عند ضبط POLLING_IDLE_ENABLED على TRUE ، يتم تعيين الاستعلام التلقائي عن حالة سير العمل. عند ضبط POLLING_IDLE_ENABLED على FALSE ، يتم تعيين الاستعلام اليدوي.

نافذة جديدة قابلة للإرساء تمت إضافة سير العمل المجدول الذي يعرض قائمة الوظائف المجدولة ويسمح للمستخدم بإدارة المهام المجدولة.

التحديث اليدوي لوظائف سير العمل.

تجاوز إداري للتحديثات التلقائية من خلال إعدادات مستودع Oracle Data Miner.

الوصول إلى تفضيلات مهام سير العمل من خلال خيار الإعدادات الجديد.

تحسين أداء الاقتراع حول حالة سير العمل

تم تحسين أداء استقصاء حالة سير العمل.

يشتمل التحسين على طرق عرض جديدة للمستودع وخصائص المستودع وتغييرات في واجهة المستخدم:

تمت إضافة عرض المستودع ODMR_USER_WORKFLOW_ALL_POLL لاستقصاء حالة مسار العمل.

تمت إضافة خصائص المستودع التالية:

POLLING_IDLE_RATE: تحديد المعدل الذي سيقوم به العميل باستقصاء قاعدة البيانات عند عدم اكتشاف أي مهام سير عمل قيد التشغيل.

POLLING_ACTIVE_RATE: تحديد المعدل الذي سيقوم به العميل باستقصاء قاعدة البيانات عند اكتشاف مهام سير العمل قيد التشغيل.

عند ضبط POLLING_IDLE_ENABLED على TRUE ، يتم تعيين الاستعلام التلقائي عن حالة سير العمل. عند ضبط POLLING_IDLE_ENABLED على FALSE ، يتم تعيين الاستعلام اليدوي.

POLLING_COMPLETED_WINDOW: تحديد الوقت المطلوب لتضمين مهام العمل المكتملة في نتيجة استعلام الاقتراع.

PURGE_WORKFLOW_SCHEDULER_JOBS: يزيل كائنات Oracle Scheduler القديمة التي تم إنشاؤها بواسطة تشغيل تدفقات عمل Data Miner.

PURGE_WORKFLOW_EVENT_LOG: يتحكم في عدد عمليات تشغيل سير العمل التي يتم الاحتفاظ بها لكل مسار عمل في سجل الأحداث. يتم حذف أحداث سير العمل الأقدم لتظل ضمن الحد الأقصى.

تتضمن واجهة المستخدم الجديدة نافذة المهام المجدولة التي يمكن الوصول إليها من خيار Data Miner في كل من قائمة الأدوات وقائمة العرض في SQL Developer 17.2.

ميزات Oracle Database

تتضمن ميزة Oracle Database الجديدة دعمًا لاسم الكائن الموسع.

دعم اسم الكائن الموسع

يتوفر دعم اسم المخطط واسم الجدول واسم العمود والمرادف الذي يبلغ 128 بايت في إصدار Oracle Database القادم. لدعم Oracle Database ، تم تحسين طرق عرض مستودع Oracle Data Miner والجداول ومخطط XML وحزم PL / SQL لدعم أسماء 128 بايت.

المنصات المدعومة

المتطلبات الأساسية لـ Oracle Data Miner 17.2

  1. قم بتثبيت SQL Developer 17.2 على نظامك.
  2. الوصول الآمن إلى Oracle Database:
    • الحد الأدنى للإصدار: Oracle Database 11.2.0.4 Enterprise Edition ، مع خيار Data Mining.
    • الإصدار المفضل: Oracle Database 12.2 Enterprise Edition.
  3. إنشاء حساب مستخدم قاعدة البيانات لاستخراج البيانات.
  4. قم بتكوين اتصال قاعدة بيانات داخل SQL Developer لمستخدم Oracle Data Miner.
  5. قم بتثبيت مستودع Oracle Data Miner.

لا يتم شحن مخطط نموذج SH مع Oracle Database 12.2. لتثبيت مخطط العينة ، انتقل إلى https://github.com/oracle/db-sample-schemas.

المشاكل والقيود المعروفة

تتضمن المشاكل والقيود المعروفة في هذا الإصدار ما يلي:

لا يمكن أن تستهلك عقدة Association Model Build البيانات الواردة مباشرة من عقدة استعلام JSON.

يجب على المستخدمين الاستمرار في البيانات الواردة من عقدة استعلام JSON من خلال عقدة إنشاء جدول ، ثم استخدام البيانات المستمرة كمدخلات إلى عقدة Associate Model Build.

عُقد التصنيف وعقد إنشاء نموذج الانحدار غير قادرة على استهلاك البيانات القادمة مباشرة من عقدة استعلام JSON إذا تم تحديد تجميعات JSON (مع المجموعة الفرعية حسب).

يجب على المستخدمين الاستمرار في البيانات الواردة من عقدة استعلام JSON من خلال عقدة إنشاء جدول ، ثم استخدام البيانات المستمرة كإدخال إلى عقد البناء هذه.

يمكن لعقد الإنشاء أن تستهلك البيانات القادمة مباشرة من عقد استعلام JSON إذا لم يتم تحديد تجميعات JSON (بدون المجموعة الفرعية حسب).

يمكن أن يؤدي إعداد الاستعلام المتوازي للعقدة التي تستعلم عن بيانات JSON إلى حدوث خطأ في وقت تشغيل مسار العمل. ستفشل استعلامات JSON إذا تم تشغيلها مع تعيين الاستعلام المتوازي لقاعدة البيانات على ON. يتم عرض رسالة الخطأ التالية ORA-12805: توفي خادم الاستعلام المتوازي بشكل غير متوقع.

تحتوي قائمة سياق Node على خيار ضبط Parallel Query. انقر فوق Parallel Query وحدد العقد لتكوين الإعدادات المتوازية.

يوفر عارض عرض البيانات الخيار لتعيين Parallel Query على ON عند الاستعلام عن عقد البيانات المحددة.

في كلتا الحالتين ، يحدث الخطأ ويتم عرض نفس رسالة الخطأ.

اطلب تصحيح Oracle Database 12.1.0.2 من خلال Oracle Support.

يمكنك تجاهل رسائل الخطأ هذه أثناء تثبيت Oracle Data Miner 17.2 ، إذا لم يتم إنشاء استثناءات.

اصلاحات الشوائب

يحتوي Oracle Data Miner 17.2 على 122 خطأً تم إصلاحه.

إمكانية الوصول إلى الوثائق

للحصول على معلومات حول التزام Oracle بإمكانية الوصول ، قم بزيارة موقع برنامج Oracle Accessibility على الويب على http://www.oracle.com/pls/topic/lookup؟ctx=acc&id=docacc.

يمكن لعملاء Oracle الذين اشتروا الدعم الوصول إلى الدعم الإلكتروني من خلال My Oracle Support. للحصول على معلومات ، قم بزيارة http://www.oracle.com/pls/topic/lookup؟ctx=acc&id=info أو قم بزيارة http://www.oracle.com/pls/topic/lookup؟ctx=acc&id=trs إذا كنت ضعاف السمع.

ملاحظات إصدار Oracle & reg Data Miner ، الإصدار 17.2

حقوق النشر والنسخ 2016 ، 2017 ، لشركة أوراكل و / أو الشركات التابعة لها. كل الحقوق محفوظة.

يتم توفير هذا البرنامج والوثائق ذات الصلة بموجب اتفاقية ترخيص تحتوي على قيود على الاستخدام والإفصاح وهي محمية بموجب قوانين الملكية الفكرية. باستثناء ما هو مسموح به صراحة في اتفاقية الترخيص الخاصة بك أو يسمح به القانون ، لا يجوز لك استخدام أو نسخ أو إعادة إنتاج أو ترجمة أو بث أو تعديل أو ترخيص أو إرسال أو توزيع أو عرض أو أداء أو نشر أو عرض أي جزء ، بأي شكل من الأشكال ، أو بأي وسيلة. يُحظر إجراء هندسة عكسية لهذا البرنامج أو تفكيكه أو تفكيكه ، ما لم يكن ذلك مطلوبًا بموجب القانون لإمكانية التشغيل البيني.

المعلومات الواردة هنا عرضة للتغيير دون إشعار ولا يوجد ما يبرر خلوها من الأخطاء. إذا وجدت أي أخطاء ، فيرجى إبلاغنا بها كتابيًا.

إذا كان هذا هو البرنامج أو الوثائق ذات الصلة التي تم تسليمها إلى حكومة الولايات المتحدة أو أي شخص يقوم بترخيصها نيابة عن حكومة الولايات المتحدة ، فعندئذ يكون الإشعار التالي ساريًا:

المستخدمون النهائيون لحكومة الولايات المتحدة: برامج Oracle ، بما في ذلك أي نظام تشغيل ، وبرنامج متكامل ، وأي برامج مثبتة على الأجهزة ، و / أو وثائق ، يتم تسليمها إلى المستخدمين النهائيين للحكومة الأمريكية هي "برامج كمبيوتر تجارية" وفقًا للوائح ووكالة الاستحواذ الفيدرالية المعمول بها- لوائح تكميلية محددة. على هذا النحو ، يجب أن يخضع استخدام البرامج ونسخها وكشفها وتعديلها وتكييفها ، بما في ذلك أي نظام تشغيل أو برنامج متكامل أو أي برامج مثبتة على الأجهزة و / أو الوثائق ، لشروط الترخيص وقيود الترخيص المطبقة على البرامج. . لا يتم منح أي حقوق أخرى لحكومة الولايات المتحدة.

تم تطوير هذا البرنامج أو الجهاز للاستخدام العام في مجموعة متنوعة من تطبيقات إدارة المعلومات. لم يتم تطويره أو استخدامه في أي تطبيقات خطرة بطبيعتها ، بما في ذلك التطبيقات التي قد تؤدي إلى حدوث إصابة شخصية. إذا كنت تستخدم هذا البرنامج أو الجهاز في تطبيقات خطرة ، فستكون مسؤولاً عن اتخاذ جميع الإجراءات المناسبة الآمنة من الأعطال والنسخ الاحتياطي والتكرار وغيرها من الإجراءات لضمان الاستخدام الآمن لها. تخلي شركة Oracle Corporation والشركات التابعة لها مسؤوليتها عن أي أضرار ناتجة عن استخدام هذا البرنامج أو الجهاز في تطبيقات خطرة.

Oracle و Java علامتان تجاريتان مسجلتان لشركة Oracle و / أو الشركات التابعة لها. قد تكون الأسماء الأخرى علامات تجارية لمالكيها.

تُعد Intel و Intel Xeon علامتين تجاريتين أو علامتين تجاريتين مسجلتين لشركة Intel Corporation. تُستخدم جميع علامات SPARC التجارية بموجب ترخيص وهي علامات تجارية أو علامات تجارية مسجلة لشركة SPARC International، Inc.. AMD و Opteron وشعار AMD وشعار AMD Opteron هي علامات تجارية أو علامات تجارية مسجلة لشركة Advanced Micro Devices. UNIX هي علامة تجارية مسجلة لمجموعة Open Group.

قد يوفر هذا البرنامج أو الجهاز والوثائق الوصول إلى المحتوى والمنتجات والخدمات من جهات خارجية أو معلومات عنها. Oracle Corporation والشركات التابعة لها ليست مسؤولة عن جميع الضمانات من أي نوع فيما يتعلق بمحتوى ومنتجات وخدمات الجهات الخارجية وتخلي مسؤوليتها صراحةً ما لم ينص على خلاف ذلك في اتفاقية سارية بينك وبين Oracle. لن تكون شركة Oracle Corporation والشركات التابعة لها مسؤولة عن أي خسارة أو تكاليف أو أضرار تتكبدها بسبب وصولك إلى أو استخدام محتوى أو منتجات أو خدمات تابعة لجهة خارجية ، باستثناء ما هو منصوص عليه في الاتفاقية المعمول بها بينك وبين Oracle.


مقدمة في علوم البيانات

تم تطوير النماذج الأساسية للعوامل والبيئات التي تمت مناقشتها في الفصل السابق (انظر الفصل 16 حول المحاكاة الديناميكية) للأفراد. على سبيل المثال ، يسمح إطار عمل التعلم المعزز (RL ، أو الفئة الأكثر عمومية من عمليات قرار ماركوف ، MDPs) للوكيل بتعلم إستراتيجية تزيد من بعض المكافآت في بيئة مستقرة. قد تكون الخيارات في هذه البيئة عشوائية (على سبيل المثال ، ماكينات الألعاب المتعددة ، MAB). شريطة أن يكون لدى الوكيل الوقت الكافي لاستكشاف جميع الخيارات ، يضمن الوكيل العثور على الخيار الأفضل. ومع ذلك ، إذا تغيرت الجوانب الأساسية للبيئة (على سبيل المثال ، عن طريق إضافة خيارات أو تغيير وظائف المكافأة الخاصة بهم) ، فقد لا يتقارب عامل التعلم بعد الآن على الخيار الأفضل.

عادة ما تغير المواقف الاجتماعية البيئة بعدة طرق. اعتمادًا على تفاصيل التفاعل بين الوكيل والبيئة (على سبيل المثال ، كيف يتم توزيع المكافآت) ، قد تقدم المنافسة بين الوكلاء ، وفرص التعاون ، وأنواع جديدة من المعلومات والتعلم. على سبيل المثال ، يمكن أن يعتمد نجاح أي استراتيجية وكيل معينة بشكل حاسم على استراتيجيات الوكلاء الآخرين. وبالتالي ، فإن السماح للوكلاء الآخرين بأسئلة العديد من النتائج التي تحمل مواقف فردية وتدعو لأنواع إضافية من النماذج والنمذجة.

في هذا الفصل ، نقدم ثلاثة نماذج أساسية لنمذجة المواقف الاجتماعية:

17.2.1 ألعاب

الانضباط العلمي نظرية اللعبة تشبه إلى حد ما ألعاب الأطفال ، ولكنها تدرس بدلاً من ذلك النماذج الرياضية للتفاعلات الإستراتيجية بين صانعي القرار العقلانيين (انظر ويكيبيديا). في سياق مماثل ، تحدد موسوعة ستانفورد للفلسفة نظرية اللعبة كما

… دراسة الطرق التي تتفاعل الخيارات من العوامل الاقتصادية
ينتج النتائج فيما يتعلق التفضيلات (أو خدمات) من هؤلاء الوكلاء ،
حيث النتائج المعنية ربما لم يقصدها أي من الوكلاء.

روس (2019)

تضيف المقالة على الفور أن معنى هذا التعريف يتطلب فهمًا للمفاهيم المكتوبة بخط مائل (وتوفر هذه التفاصيل في المقالة المقابلة). بالنسبة لنا ، من المثير للاهتمام أن يتم التعبير عن الألعاب من حيث التبادلات الاقتصادية ، التي تشمل الوكلاء الذين يسعون وراء أهدافهم ، ولكنهم قد يحصلون على نتائج تعتمد أيضًا على أهداف وأفعال وكلاء آخرين.

يمكننا تحديد أ لعبه كمصفوفة للمكافآت تعرض الخيارات والمكافآت المقابلة للاعبين (من حيث النقاط المكتسبة أو المفقودة لكل مجموعة من النتائج).

يوضح الجدول 17.1 واحدة من أبسط الألعاب الممكنة. في ال مطابقة البنسات لعبة (MP) ، يختار كل لاعب وجهًا واحدًا من العملة المعدنية (على سبيل المثال ، head H ، أو tails T). يفوز أحد اللاعبين إذا تطابق الجانبان ، يفوز اللاعب الآخر عندما يختلف كلا الجانبين. توضح مصفوفة المكافآت الموضحة في الجدول 17.1 خيارات اللاعب 1 كـ صفوف وقيمة المكافأة الأولى في كل خلية ، بينما تظهر خيارات Player 2 على شكل الأعمدة وقيم المردود الثاني. وبالتالي ، يفوز اللاعب 1 بنقطة ( (+ 1 )) ويفقد اللاعب 2 نقطة ( (- 1 )) عندما يختار كلا اللاعبين نفس جانب عملاتهم المعدنية ("HH" أو "TT"). يفوز اللاعب 2 بنقطة ( (+ 1 )) ويفقد اللاعب 1 نقطة ( (- 1 )) عندما يتم اختيار كلا اللاعبين مختلف جوانب عملاتهم المعدنية ("HT" أو "TH").

الجدول 17.1: مصفوفة المردود لـ مطابقة البنسات لعبه.
خيارات ح تي
ح ((+1, -1)) ((-1, +1))
تي ((-1, +1)) ((+1, -1))

يمكن أن يتوافق الفوز بلعبة مع زيادة المكافأة الفردية في اللعبة أو ربح المزيد من المكافآت مقارنة باللاعبين الآخرين في نفس اللعبة. نظرًا لأن نتيجة أي لعبة فردية قد تعتمد بشكل كبير على عوامل الصدفة ، فإن نجاح استراتيجية اللعب يتم تقييمه عادةً على الحالات المتكررة من نفس اللعبة. يمكن أن يؤدي هدف تعظيم المكافآت للفرد إلى خلق معضلات عند التباين بين مستويات مختلفة من التجميع (على سبيل المثال ، الألعاب الفردية مقابل الألعاب المتكررة ، أو مكاسب الفرد مقابل عدد السكان).

يمكن تصنيف الألعاب إلى أنواع من خلال مقارنة وظائف مكافأة اللاعبين. أهم أنواع الألعاب هي:

محصلتها صفر أو نقية تنافسية الألعاب: تتوافق انتصارات بعض اللاعبين مع خسائر لاعب آخر ، بحيث يصل إجمالي جميع المكافآت إلى صفر (0).

الاهتمام المشترك, مطابق أو متماثل الألعاب: يتمتع جميع اللاعبين بوظيفة المكافأة نفسها

ألعاب المجموع العام: فئة شاملة للألعاب الأخرى (على سبيل المثال ، ليست من الأنواع الأخرى).

لاحظ أن هذه الفئات ليست متنافية. على سبيل المثال ، لعبة البنسات المطابقة (الموضحة في الجدول 17.1) هي لعبة متناظرة وتنافسية خالصة ومحصلة صفر. إذا كان فوز أحد اللاعبين لا يتوافق مع خسارة اللاعب الآخر (على سبيل المثال ، تم استبدال جميع مكافآت (- 1 ) بمكافآت (0 )) ، فإن اللعبة لم تعد لعبة محصلتها صفر ، ولكنها لا تزال أن تكون لعبة متناظرة وذات اهتمامات مشتركة.

لتوفير تباين مع لعبة البنسات المطابقة التنافسية ، يوضح الجدول 17.2 أ لعبة التنسيق. نظرًا لأن كلا اللاعبين لا يزال لديهم مكافآت متطابقة ، فهذه لعبة اهتمامات مشتركة متناظرة يفوز فيها كلا اللاعبين باختيار نفس الجانب من عملاتهم المعدنية. لاحظ أن هناك حدًا أقصى محليين مختلفين في هذه اللعبة: طالما أن كلا الخيارين متطابقان ، فلا يوجد أي لاعب متحمس لتغيير اختياره أو اختياره. إن فكرة استخدام أفضل استجابة بالنظر إلى الاختيارات الحالية للاعبين الآخرين هي مفهوم حل مهم في نظرية اللعبة ، والمعروفة باسم توازن ناش (شمال شرق). في ال لعبة التنسيق كما هو محدد في الجدول 17.2 ، فإن مكافآت TT أعلى من HH ، ولكن إذا كان لدى اللاعب أسباب تجعله يفترض أن الخصم سيختار H ، فإن اختيار H أفضل من الإصرار على T.

الجدول 17.2: مصفوفة المردود أ تنسيق لعبه.
خيارات ح تي
ح ((1, 1)) ((0, 0))
تي ((0, 0)) ((2, 2))

راجع Nowé و Vrancx و amp De Hauwere (2012) للحصول على مصفوفات المكافآت وأوصاف أنواع إضافية من الألعاب. (سوف نتناول ملف معضلة السجينو PD و معركة بين الجنسين، BoS ، لعبة في التمرين 17.4.2.)

يمكن تمييز الألعاب أيضًا بترتيب اللعب (أي ما إذا كان اللاعبون يصنعون تسلسلي ضد. متزامنة من خلال التحديات التي يطرحونها على لاعبيهم (على سبيل المثال ، تنافسية ضد. تنسيق ألعاب). تفترض معظم الألعاب بعض الفهم المتوازن والمشترك لأهداف اللعبة وقواعدها (على سبيل المثال ، قد يعرف جميع اللاعبين خياراتهم والمكافآت الخاصة بهم ، أو حتى يعرفون مصفوفة المكافآت الكاملة). ومع ذلك ، يمكن أن تختلف الألعاب المختلفة والإصدارات المختلفة من نفس اللعبة بشكل كبير في شفافية تصرفات اللاعبين ومكافآتهم واستراتيجياتهم.

أحد الجوانب الرئيسية في تصميم الألعاب يتعلق بكل لاعب المعرفه لأهداف وأعمال ومكافآت اللاعبين الآخرين. من منظور المصمم ، يجب أن نكون على دراية بأي جانب من جوانب الموقف المعقد المحتمل الذي يتم تناوله بواسطة النموذج. يتلخص هذا في الأساس في طرح السؤال التالي: ما هو سؤال البحث الذي تتم معالجته من خلال نمذجة هذه اللعبة؟

نمذجة لعبة

بالنظر إلى خبرتنا في نمذجة العوامل والبيئات الديناميكية (من الفصل 16) ، قد لا نحتاج إلى أي أدوات جديدة لنمذجة الألعاب الإستراتيجية. من منظور اللاعب (على سبيل المثال ، وكيل RL) ، تعتبر استراتيجية وسلوك اللاعبين الآخرين جزءًا من البيئة.

للقيام بشيء أكثر إثارة للاهتمام ، سوف نعتمد محاكاة تم إنشاؤها بواسطة Wataru Toyokawa (والتي يمكن العثور عليها هنا). سيكون هذا صعبًا بعض الشيء ، لكن وسع نماذجنا السابقة بثلاث طرق مفيدة:

بدلاً من محاكاة المواجهات المتكررة لشخصين ، سنقوم بمحاكاة مجموعة مكانية من العوامل في تصميم شبكي / طارة.

بدلاً من استخدام نموذج التعلم الأساسي الخاص بنا من القسم 16.2.1 ، نقوم بتنفيذ نموذج تعليمي أكثر تعقيدًا: نموذج التعلم epsilon-greedy Q ، والذي يستخدم معيار softmax لاختيار الخيارات.

نظرًا لأننا نقوم بمحاكاة مجموعة من الوكلاء المرتبة مكانيًا بمرور الوقت ، فسوف نتخيل اختياراتهم كرسوم متحركة.

من الناحية المنهجية ، فإن الامتداد من الوكلاء الفرديين إلى مجموعة كاملة من وكلاء التعلم يحفز أيضًا بعض هياكل البيانات ثلاثية الأبعاد (أي ، المصفوفات) التي توفر فتحات لكل وكيل / لاعب (ع ) وخطوة زمنية (ر )).

الإعداد الأساسي

  1. معلمات المحاكاة:
  • محاكاة مجموعة من الأفراد ، مرتبة في مربع (ما يسمى ب بنية أو طارة)

الفكرة الأساسية: تقريب ديناميكيات نظام كبير (مثالي لانهائي) عن طريق محاكاة شبكة مكانية من أجزائه.

في كل جولة ، يلعب كل فرد ضد جيرانه الثمانية (يتم تعريفهم إما بمشاركة جانب أو ركن مع الشخص المحوري).

شرط الحدود: يلعب الأفراد الموجودون على الحافة (الحواف) ضد أولئك الموجودين على حافة الجانب المقابل (أسفل مقابل أعلى ، يسار مقابل يمين).

يوضح الشكل 17.1 الهيكل الناتج لـ 100 فرد. في كل جولة ، يلعب الأفراد المحوريون في اللون الداكن (الأزرق / الأخضر / الوردي) جيرانهم الثمانية بلون أفتح (أزرق / أخضر / وردي).

الشكل 17.1: رسم توضيحي لهيكل طارة مكون من 100 فرد مرتبة على شبكة 10x10.

يخلق تصميم الشبكة / الحلقة سلسلة مكانية متصلة من العوامل والاستراتيجيات والتفاعلات. من منظور كل وكيل فردي ، يضاعف هذا الإعداد عدد الألعاب التي تلعبها وتنوع الاستراتيجيات التي تواجهها. من وجهة نظر المصمم ، يسمح هذا الإعداد بتقييم كثافة كل إستراتيجية في كل نقطة زمنية ، بالإضافة إلى نشر الإستراتيجيات بمرور الوقت. في ظل بعض الظروف ، قد يظهر نمط عالمي من التفاعلات المحلية.

لاحظ المصفوفة ثلاثية الأبعاد لقيم Q (بأبعاد N_opt و N_t و N_p ، أي توفير 2 × 100 × 100 فتحات).

محاكاة

تشغيل المحاكاة كحلقة for (لكل خطوة زمنية (t )):

  • يختار كل لاعب اختياره مرة واحدة في بداية كل تجربة. وبالتالي ، فهي لا تعتبر خصومها بشكل فردي.

نتائج

يتطلب تصور النتائج لمجموعة من الوكلاء حساب كثافة اختياراتهم ، بدلاً من الخيارات الفردية. هذا هو السبب في أننا حسبنا متجهات الكثافة_1 وensity_1 أثناء المحاكاة:

إنشاء مخطط متحرك

لتصور الديناميكيات المكانية لاختيارات الوكيل بمرور الوقت ، يمكننا إظهار أي عامل يختاره كل عامل على الشبكة / الحلقة في كل تجربة. يمكن تصور ذلك كصورة gif متحركة ، في خطوتين:

  • تحضير البيانات: قم بتحويل المصفوفة ثلاثية الأبعاد لجميع الخيارات إلى جدول ثنائي الأبعاد all_choices_tb
  • قم بإنشاء صورة متحركة (باستخدام ملف gganimate و gifski الحزم):

يوضح الشكل 17.2 الناتج أن كلا الخيارين بارزان بشكل متساوٍ في البداية ، لكن الخيار الأعلى 2 أصبح أكثر شيوعًا من الإصدار التجريبي 10 وما بعده. نظرًا لميل الوكلاء إلى الاستكشاف ، لا يزال الخيار 1 يتم اختياره من حين لآخر.

الشكل 17.2: توزيع خيارات الوكيل بمرور الوقت في تنسيق لعبه.

ممارسة

يضبط هذا التمرين محاكاة تنسيق لعبة مطابقة البنسات لعبة (MP) (محددة بالجدول 17.1):

ما هي الإستراتيجية المثلى التي يجب أن يتعلمها الوكلاء في لعبة تنافسية بحتة؟

ما الذي يجب تغييره لاستخدام النموذج أعلاه لمحاكاة هذه اللعبة؟

استخدم المحاكاة للتحقق من إجاباتك على 1. و 2.

المحلول

الإعلان 1: نظرًا لأنه يمكن استغلال أي عامل يمكن التنبؤ به ، فإن الخيار الأمثل للعامل الفردي هو الاختيار العشوائي للخيارات. ومع ذلك ، فمن غير الواضح ما الذي قد يعنيه هذا لمجموعة من العوامل المرتبة على شبكة / طارة.

Ad 2: نظريًا ، نحتاج فقط إلى إعادة تعريف مصفوفة المكافآت للعبة (كما هو موضح في الجدول 17.1). ومع ذلك ، نظرًا لأن النموذج أعلاه ينتج خطأ (عند تحويل المكاسب السلبية إلى احتمالات) ، فإننا نضيف 1 إلى جميع المكافآت. هذا يحول لعبة محصلتها الصفرية إلى لعبة تنافسية ذات مكافآت متماثلة ، ولكن ليس لها أي تأثير على الاختلافات المطلقة في المكافآت التي تهم وكلاء RL):

  • إعلان 3: يوضح الشكل 17.3 نتيجة محاكاة مقابلة. في هذه المحاكاة الخاصة ، اختارت أغلبية بسيطة من الوكلاء الخيار 1 ، لكن السكان لم يصلوا إلى توازن مستقر. نظرًا لأن الإستراتيجية المثلى لكل وكيل هي اختيار الخيارات بشكل عشوائي (على سبيل المثال ، مع (p = .5 ) لكل خيار) ، فقد يكون هذا دليلًا على التعلم. ولكن لإثبات التعلم الناجح حقًا ، سيكون من الضروري إجراء مزيد من الاختبارات.

الشكل 17.3: توزيع اختيارات الوكيل بمرور الوقت في أ تنافسية لعبه.

17.2.2 التعلم الاجتماعي

يمكن نمذجة التعلم كدالة للمكافآت وسلوك الآخرين. عندما يكون الخيار أفضل من الآخر ، فإنه يقدم مكافآت أعلى وسيتعلمه الوكيل الذي يستكشف البيئة ويستغلها لزيادة فائدته إلى أقصى حد. ومع ذلك ، عند وجود وكلاء آخرين ، يكون المؤشر الثاني لجودة الخيار هو شعبية: مع تساوي الأشياء الأخرى ، تكون الخيارات الأفضل أكثر شيوعًا. 19

الفكرة الأساسية لـ ديناميات المكرر (الصفحة التالية ، 2018 ، ص 308 وما يليها) بسيط: احتمال اختيار إجراء ما هو نتاجه جائزة وله شعبية.

إعطاء مجموعة من البدائل (N_opt ) مع المكافآت المقابلة ( pi (1). pi (n) ) ، احتمال اختيار خيار (ك ) في الوقت الخطوة (t + 1 ) يعرف ب:

لاحظ أن العامل المعطى بالكسر ( frac < pi (k)> < bar < pi_>> ) يقسم المكافأة الحالية للخيار على متوسط ​​المكافأة الحالي لجميع الخيارات. يتم حساب قاسمها كمجموع جميع قيم المكافأة المرجحة باحتمالية وجودها في المجتمع الحالي. نظرًا لأن الخيارات الأكثر شيوعًا يتم ترجيحها بشكل أكبر ، فإن هذا العامل يجمع بين تأثير جائزة بتأثير شعبية أو المطابقة. وبالتالي ، فإن احتمال اختيار خيار في دورة القرار التالية يعتمد على احتماله الحالي ، ومكافأته الحالية ، وشعبيته الحالية.

لاحظ أن هذا التصور الخاص يوفر نموذجًا لمجموعة سكانية بأكملها ، بدلاً من أي عنصر فردي منها. بالإضافة إلى ذلك ، يُفترض أن تكون المكافآت المتلقاة من كل خيار ثابتة ومستقلة عن الخيارات ، والتي قد تكون غير قابلة للتصديق في العديد من البيئات الحقيقية.

ما هي التغييرات التي تشير إلى أن السكان يتعلمون؟ التوزيع الاحتمالي للإجراءات المختارة في كل خطوة زمنية.

التنفيذ في R

نظرًا لأننا جمعنا جميع القيم الوسيطة في البيانات ، يمكننا فحص نتائج المحاكاة لدينا عن طريق طباعة الجدول:

الجدول 17.3: بيانات من ديناميكيات النسخ المتماثل.
ر avg_rew ص_أ ص_ب كمبيوتر
0 10.00 0.100 0.700 0.200
1 11.50 0.200 0.700 0.100
2 13.26 0.348 0.609 0.043
3 15.16 0.525 0.459 0.016
4 16.89 0.692 0.303 0.005
5 18.18 0.819 0.179 0.002
6 19.01 0.901 0.099 0.000
7 19.48 0.948 0.052 0.000
8 19.73 0.973 0.027 0.000
9 19.87 0.987 0.013 0.000
10 19.93 0.993 0.007 0.000

كما هو موضح في الجدول 17.3 ، قمنا بتهيئة الحلقة الخاصة بنا بقيمة t = 0. سمح لنا ذلك بتضمين الموقف الأصلي (قبل أي تحديث للمشكلة) باعتباره السطر الأول (على سبيل المثال ، في بيانات الصف [(t + 1) ،]).

يوضح فحص صفوف الجدول 17.3 أن احتمالات الخيارات دون المستوى الأمثل (هنا: الخياران B و C) تتناقصان ، بينما يتزايد احتمال اختيار الخيار الأفضل (A). وبالتالي ، أصبحت الخيارات ذات المكافآت الأعلى أكثر شيوعًا - وسرعان ما يتقارب السكان عند اختيار الخيار الأفضل.

يشير التحول المنهجي للسكان من الخيارات الأكثر فقرًا إلى الخيارات الأكثر ثراءً أيضًا إلى أن قيمة متوسط ​​المكافأة (هنا: avg_rew) تتزايد بشكل رتيب وتقترب من قيمة الخيار الأفضل. وبالتالي ، فإن وظيفة avg_rew تشبه دور ملف مستوى الطموح (A ) في نماذج التعلم المعزز (انظر القسم 16.2.1) ، مع اختلاف أن avg_rew يعكس متوسط ​​التطلع لجميع السكان ، بينما (A_) يشير إلى مستوى الطموح للعامل الفردي (i ).

تصور النتائج

يتم توفير طرق تصوير التحول في الديناميكيات الجماعية بعيدًا عن السيئ ونحو الخيار الأفضل من خلال التصورات التالية للبيانات. يوضح الشكل 17.4 الاتجاهات في اختيار كل خيار كدالة للخطوات الزمنية من 0 إلى 10:

الشكل 17.4: اتجاهات احتمالية اختيار كل خيار في كل خطوة زمنية.

لاحظ أننا أعدنا تنسيق البيانات إلى تنسيق طويل قبل التخطيط (للحصول على الخيارات كمتغير واحد ، بدلاً من ثلاثة متغيرات منفصلة) وقمنا بتغيير المحور ص إلى مقياس نسبة مئوية.

بالنظر إلى أن توزيع الاحتمالية في كل خطوة زمنية يجب أن يكون مجموعها 1 ، فمن المنطقي عرضها كمخطط شريطي مكدس ، بألوان مختلفة لكل خيار (انظر الشكل 17.5):

الشكل 17.5: احتمالية اختيار الخيارات لكل خطوة زمنية.

يوضح هذا أن الخيار الأفضل (هنا: الخيار أ) لا يحظى بشعبية في البداية ، ولكنه يصبح الخيار السائد تقريبًا في الخطوة الرابعة تقريبًا. يبدو أن عملية التعلم الموضحة هنا أسرع بكثير من تلك الخاصة بمتعلم التعزيز الفردي (في القسم 16.2.1). هذا يرجع في الغالب إلى تغيير في مستوى التحليل لدينا: يصف نموذجنا لديناميكيات النسخ المتماثل كاملًا تعداد السكان من الوكلاء. في الواقع ، فإن استخدامنا للتوزيع الاحتمالي كوكيل لشعبية الخيارات يفترض ضمنيًا أن لانهائي سكان الوكلاء يختبرون البيئة ويستكشفون ويستغلون المجموعة الكاملة لجميع الخيارات في كل خطوة زمنية. في حين أنه يجب على وكيل RL الفردي أولاً استكشاف الخيارات - وإذا لم يحالفه الحظ - يضيع الكثير من الوقت الثمين على خيارات رديئة ، يمكن لمجموعة من الوكلاء تقييم نطاق الخيارات بأكمله والتقارب بسرعة على الخيار الأفضل.

التقارب بشأن الخيار الأفضل مضمون طالما تم اختيار جميع الخيارات (أي أن يكون الاحتمال الأولي (p_)(i) & gt0 )) وعدد الوكلاء كبير (غير محدود بشكل مثالي).

ممارسة

أجب عن الأسئلة التالية من خلال دراسة المعادلة الأساسية لديناميات المكرر:

ما هو تأثير الخيارات التي لا تقدم أي مكافآت (على سبيل المثال ، ( pi (k) = 0 ))؟

ما هو تأثير الخيارات التي لم يتم اختيارها (على سبيل المثال ، (P_(ك) = 0 ))؟

ماذا يحدث إذا أسفرت الخيارات الثلاثة (أ - ج) عن مكافآت متطابقة (على سبيل المثال ، 10 وحدات لكل خيار)؟

ماذا يحدث إذا أعطت مكافآت الخيارات الثلاثة (أ - ج) مكافآت 10 و 20 و 70 وحدة ، ولكن تم عكس شعبيتها الأولية (أي 70٪ ، 20٪ ، 10٪).

هل لا تزال 10 خطوات زمنية كافية لمعرفة الخيار الأفضل؟

ماذا لو كان التباين الأولي أكثر تطرفًا ، حيث كانت المكافآت 1 و 2 و 97 وحدة واحتمالات أولية 97٪ و 2٪ و 1٪ على التوالي؟

تلميح: قم بتشغيل هذه المحاكاة في ذهنك أولاً ، ثم تحقق من تنبؤاتك باستخدام الكود أعلاه.

ما هي بيئة العالم الحقيقي التي يمكن اعتبارها

واحدة تكون فيها مكافآت جميع الأشياء مستقرة ومستقلة عن أفعال الوكلاء؟

واحد يكون فيه جميع الوكلاء لديهم أيضًا تفضيلات متطابقة؟

كيف ستتغير عملية التعلم

إذا كان عدد الوكلاء منفصلاً (على سبيل المثال ، 10)؟

إذا تجاوز عدد الخيارات عدد الوكلاء؟

تلميح: ضع في اعتبارك نطاق القيم التي قد تأخذها ويمكن أن تأخذها prob في كلتا الحالتين.


قيمة الاختبارات الإسقاطية:

على الرغم من تطوير هذه الاختبارات الإسقاطية لفهم السلوك والعواطف البشرية ، لا يتفق الكثير من الناس تمامًا مع نتائجها. على الرغم من وجود العديد من القيود على هذه الاختبارات الإسقاطية ، إلا أنها لا تزال مستخدمة من قبل العديد من الأطباء النفسيين وعلماء النفس.

أيضًا ، يعمل العديد من الخبراء الذين يعملون على هذه الاختبارات الإسقاطية على تحديث هذه الاختبارات بحيث لا توفر فقط صلاحية ولكن أيضًا تضيف بعض القيمة.

تُستخدم الاختبارات الإسقاطية أيضًا في أبحاث السوق لتقييم العواطف والجمعيات وعمليات التفكير المتعلقة بالعلامة التجارية والمنتجات.


2021 Pennzoil 400 احتمالات ، تنبؤات: اختيار NASCAR المدهش في لاس فيغاس من طراز متقدم

يتدفق الملايين إلى لاس فيجاس كل عام على أمل الفوز بالجائزة الكبرى والعودة كمليونير فوري. يوم الأحد ، سيصطف 40 سائقًا مع الآمال في هبوط رقمهم في حارة النصر في 2021 Pennzoil 400. العلم الأخضر يسقط الساعة 3:30 مساءً. ET من مضمار Las Vegas Motor Speedway الذي يبلغ طوله 1.5 ميل ، حيث يبدأ حامل اللقب جوي لوجانو من المركز رقم 15. كيفن هارفيك ، الذي فاز مرتين في لاس فيجاس وسيبدأ في الصدارة يوم الأحد ، هو المرشح 9-2 في 2021 Pennzoil 400 احتمالات من William Hill Sportsbook.

ديني هاملين هو 6-1 ، بينما لوجانو وتشيس إليوت كلاهما 15-2 ، وبراد كيسيلوفسكي 8-1 ، وكايل لارسون 17-2 في ناسكار 2021 في لاس فيجاس. قبل أن تتجول في تشكيلة البداية 2021 Pennzoil 400 وتضع NASCAR في توقعات لاس فيغاس ليوم الأحد ، تأكد من رؤية أحدث 2021 Pennzoil 400 من نموذج الإسقاط المثبت في SportsLine.

تم تطوير هذا النموذج الحاسوبي للتنبؤ الخاص بشركة NASCAR والذي تم تطويره بواسطة Daily Fantasy pro و SportsLine مهندس البيانات التنبؤية مايك مكلور ، كل سباق 10000 مرة ، مع مراعاة عوامل مثل سجل المسار والنتائج الأخيرة.

بدأ النموذج موسم 2020 بدفع مبالغ كبيرة باختيار ديني هاملين ليفوز للمرة الثانية على التوالي في دايتونا 500 في 10-1. أطلق النموذج أيضًا على فوز كيفن هارفيك في أتلانتا وحقق تسعة من أفضل 10 متسابقين في هذا السباق. ثم استخدم مكلور النموذج في رهان 10-1 على هاملين لفوزه في ميامي.

في The Brickyard ، دعا النموذج انتصار Harvick الرابع لهذا الموسم. ثم خلال تصفيات NASCAR لعام 2020 ، حدد النموذج اختياراته في سباقات متتالية ، داعيًا ديني هاملين للفوز بنتيجة 17-2 في تالاديجا وتشيس إليوت للفوز بنتيجة 7-2 في شارلوت روفال. لقد شهد أي شخص تابع اختيارات NASCAR عائدات ضخمة.

أعلى توقعات 2021 Pennzoil 400

النموذج مرتفع على Ryan Blaney ، على الرغم من أنه 12-1 تسديدة طويلة في أحدث NASCAR في لاس فيغاس احتمالات 2021. إنه هدف لأي شخص يبحث عن يوم دفع ضخم. كان Blaney قريبًا بشكل مذهل من Victory Lane في لاس فيجاس ، حيث احتل المركز الثاني في سباق Xfinity Series 2015 ومرتفعًا إلى المركز الخامس - ثلاث مرات - في سيارات سلسلة كأس ناسكار.

بدأ سائق فريق Penske بداية صعبة في حملته 2021 ، حيث أنهى المركز 30 في دايتونا 500 ، والمركز 15 في O'Reilly Auto Parts 253 ، و 29 الأسبوع الماضي في Dixie Vodka 400. ومع ذلك ، كان بلاني في المقدمة في بنزيل 400 الربيع الماضي وساوث بوينت 400 الخريف الماضي ، ولديه الكثير من الخبرة خلف مقود سيارته فورد رقم 12.

سيبدأ بلاني من المركز 26 في تشكيلة 2021 Pennzoil 400 ، لكن McClure يرى أنه يصل إلى المقدمة بسرعة ويحب قيمته كجزء من رهاناتك 2021 Pennzoil 400.

وصدمة هائلة: كيفن هارفيك ، أفضل لاعب مفضل في فيغاس في 9-2 ، يتعثر بشكل كبير وبالكاد يتصدع أعلى 10. هناك قيم أفضل بكثير في شبكة انطلاق 2021 Pennzoil 400 المحملة. هارفيك هو الفائز مرتين في لاس فيجاس وحقق أفضل تسعة انتصارات في مسيرته في عام 2020 ، لكنه أضاع فرصته للتنافس على بطولة ثانية بفضل جولة ممتدة مخيبة للآمال.

وشمل ذلك المركز العاشر في 2020 ساوث بوينت 400 في لاس فيجاس بعد البدء في المركز الأول والانتهاء بالمركز السادس عشر في آخر سباق بيضاوي بطول 1.5 ميل من الموسم في تكساس. Harvick الآن في سلسلة متتالية من ثمانية سباقات ، و 9-2 هو ثمن باهظ للغاية لدفعه.

كيف تصنع 2021 NASCAR في مختارات لاس فيغاس

يستهدف النموذج أيضًا سائقين آخرين مع NASCAR في لاس فيجاس احتمالات 2021 من 10-1 أو أكثر للقيام بجولة جادة في الفوز بكل شيء. يمكن لأي شخص يدعم هؤلاء السائقين أن يضربها بشكل كبير. يمكنك رؤية جميع سيارات ناسكار المختارة في SportsLine.

إذن من سيفوز بسباق 2021 Pennzoil 400؟ وأي طلقات طويلة أذهلت ناسكار؟ تحقق من أحدث احتمالات 2021 Pennzoil 400 أدناه ، ثم قم بزيارة SportsLine الآن لرؤية ليدربورد 2021 Pennzoil 400 الكامل المتوقع ، كل ذلك من النموذج الذي سمح بفوز هاملين في 2020 Daytona 500.

2021 Pennzoil 400 احتمالات

كيفن هارفيك 9-2
مارتن تروكس جونيور 6-1
ديني هاملين 6-1
تشيس إليوت 15-2
جوي لوجانو 15-2
براد كيسيلوفسكي 8-1
كايل لارسون 17-2
كايل بوش 10-1
ريان بلاني 12-1
ويليام بايرون 18-1
أليكس بومان 20-1
كيرت بوش 25-1
كريستوفر بيل 28-1
أوستن ديلون 40-1
أريك ألميرولا 40-1
تايلر ريديك 60-1
كول كستر 75-1
مات ديبينديتو 75-1
كريس بوشر 100-1
ريان نيومان 100-1
بوبا والاس 100-1
تشيس بريسكو 100-1
روس شاستين 125-1
ريكي ستينهاوس جونيور 125-1
مايكل ماكدويل 150-1
إريك جونز 150-1
دانيال سواريز 250-1
ريان بريس 1000-1
جاستن هالي 2500-1
أنتوني ألفريدو 2500-1
كوري لاجوي 2500-1
تيمي هيل 5000-1
كودي وير 5000-1
جاريت سميثلي 5000-1
جوش بيليكي 5000-1
جوي غاز 5000-1
بي جي ماكلويد 5000-1
كوين هوف 5000-1


محتويات

رفع الملكية تحرير

التعريف النظري للفئة المعتاد هو من حيث خاصية رفع التي تنتقل من الوحدات المجانية إلى الوحدات الإسقاطية: وحدة ص هو إسقاطي إذا وفقط إذا كان لكل وحدة تخمينية تشابه الشكل F : نم وكل وحدة تشابه ز : صم ، هناك وحدة تماثل الشكل ح : صن مثل ذلك F ح = ز . (نحن لا نطلب رفع التشابه ح لكي تكون فريدًا ، فهذه ليست خاصية عامة.)

ميزة هذا التعريف "الإسقاطي" هي أنه يمكن تنفيذه في فئات أكثر عمومية من فئات الوحدات النمطية: لسنا بحاجة إلى فكرة "الكائن الحر". يمكن أيضًا أن تكون ثنائية ، مما يؤدي إلى وحدات الحقن. يمكن أيضًا إعادة صياغة خاصية الرفع كـ كل شكل من عوامل P إلى M من خلال كل epimorphism إلى M. وبالتالي ، من حيث التعريف ، فإن الوحدات الإسقاطية هي بالضبط الكائنات الإسقاطية في فئة ر-الوحدات.

تحرير تسلسل تقسيم الدقيق

وحدة ص هو إسقاطي إذا وفقط إذا كان كل تسلسل دقيق قصير من وحدات النموذج

هو تقسيم التسلسل الدقيق. هذا هو ، لكل وحدة تخمينية تشابه الشكل F : بص يوجد أ خريطة القسم، وهذا هو وحدة تشابه الشكل ح : صب مثل ذلك F ح = معرفص. في هذه الحالة، ح(ص) هو استدعاء مباشر لـ ب, ح هو تماثل من ص ل ح(ص) ، و ح F هو إسقاط على المحضر ح(ص). بالتساوي ،

تلخيص مباشر للوحدات النمطية المجانية تحرير

وحدة ص إسقاطي إذا وفقط في حالة وجود وحدة أخرى س بحيث يكون المجموع المباشر ص و س هي وحدة مجانية.

تحرير الدقة

ان ر-وحدة ص هو إسقاطي إذا وفقط إذا كان الممتلئ المتغير هوم (ص, -): ر-عصريأب هو ممتلئ دقيق ، حيث ر-عصري هي فئة اليسار ر-الوحدات و أب هي فئة مجموعات أبيليان. عندما الخاتم ر هو تبادلي ، أب يستبدل بشكل مفيد بـ ر- الوضع في التوصيف السابق. دائمًا ما يُترك هذا الممتع دقيقًا ، لكن متى ص هو إسقاطي ، وهو دقيق أيضًا. هذا يعني ذاك ص يكون إسقاطيًا فقط إذا وفقط إذا احتفظ هذا المخترق بتشابه الأشكال (تشابهات الأشكال السطحية) ، أو إذا كان يحافظ على كوليميتس منتهية.

تحرير أساس مزدوج

يتم استنتاج الخصائص التالية للوحدات الإسقاطية بسرعة من أي من التعريفات المذكورة أعلاه (المكافئة) للوحدات الإسقاطية:

  • المجاميع المباشرة والتلخيصات المباشرة للوحدات الإسقاطية إسقاطية.
  • لو ه = ه 2 هو عديم الفاعلية في الحلبة ر، من ثم إعادة هو أكثر من وحدة إسقاطية اليسار ر.

تندرج علاقة الوحدات الإسقاطية بالوحدات النمطية المجانية والمسطحة في الرسم البياني التالي لخصائص الوحدة:

تكون التأثيرات من اليسار إلى اليمين صحيحة على أي حلقة ، على الرغم من أن بعض المؤلفين لا يعرّفون الوحدات الخالية من الالتواء إلا عبر المجال. إن التضمينات من اليمين إلى اليسار صحيحة على الحلقات التي تصفهم. قد تكون هناك حلقات أخرى تكون صحيحة فيها. على سبيل المثال ، التضمين المسمى "الحلقة المحلية أو PID" ينطبق أيضًا على الحلقات متعددة الحدود فوق حقل: هذه هي نظرية كويلن-سوسلين.

الإسقاط مقابل الوحدات النمطية المجانية تحرير

أي وحدة مجانية إسقاطية. والعكس صحيح في الحالات التالية:

  • لو ر هو حقل أو حقل انحراف: أي الوحدة مجانية في هذه الحالة.
  • إذا كان الحلبة ر هو مجال مثالي رئيسي. على سبيل المثال ، هذا ينطبق على ر = ض (الأعداد الصحيحة) ، لذا فإن المجموعة الأبيلية هي إسقاطية إذا وفقط إذا كانت مجموعة أبليانية حرة. والسبب هو أن أي وحدة فرعية لوحدة نمطية مجانية على نطاق مثالي رئيسي تكون مجانية.
  • إذا كان الحلبة ر هو خاتم محلي. هذه الحقيقة هي أساس حدس "حر محليًا = إسقاطي". من السهل إثبات هذه الحقيقة للوحدات الإسقاطية التي تم إنشاؤها بدقة. بشكل عام ، يرجع ذلك إلى Kaplansky (1958) انظر نظرية Kaplansky حول الوحدات الإسقاطية.

بشكل عام ، لا يلزم أن تكون الوحدات الإسقاطية مجانية:

  • على منتج مباشر من الحلقاتر × س أين ر و س هي حلقات غير صفرية ، كلاهما ر × 0 و 0 × س هي وحدات إسقاطية غير مجانية.
  • على نطاق Dedekind ، يكون النموذج غير الأساسي دائمًا عبارة عن وحدة إسقاطية ليست وحدة نمطية مجانية.
  • فوق حلقة مصفوفة Mن(ر) ، الوحدة الطبيعية رن هو إسقاطي ولكن ليس مجاني. بشكل عام ، فوق أي حلقة شبه بسيطة ، كل الوحدة النمطية إسقاطي ، لكن الصفر المثالي والحلقة نفسها هي المثل العليا الحرة الوحيدة.

يقاس الفرق بين الوحدات المجانية والوحدات الإسقاطية ، إلى حد ما ، بالجبر ك- المجموعة النظرية ك0(ر)، انظر أدناه.

الوحدات الإسقاطية مقابل الوحدات المسطحة تحرير

كل وحدة إسقاط مسطحة. [1] العكس بشكل عام غير صحيح: جماعة أبيليان س هو ض-وحدة مسطحة ولكنها ليست إسقاطية. [2]

على العكس من ذلك ، فإن الوحدة المسطحة ذات الصلة المحدودة هي إسقاطية. [3]

أثبت جوفوروف (1965) ولازارد (1969) أن الوحدة م يكون مسطحًا إذا وفقط إذا كان حدًا مباشرًا للوحدات المجانية المنشأة بشكل محدود.

بشكل عام ، تم إنشاء العلاقة الدقيقة بين التسطيح والإسقاط بواسطة Raynaud & amp Gruson (1971) (انظر أيضًا Drinfeld (2006) و Braunling ، Groechenig & amp Wolfson (2016)) الذي أظهر أن الوحدة النمطية م إسقاطي إذا وفقط إذا استوفى الشروط التالية:

  • م مسطح،
  • م هو مجموع مباشر من الوحدات التي تم إنشاؤها بشكل معدود ،
  • م يفي بشرط معين من نوع Mittag-Leffler.

لا يلزم أن تكون الوحدات الفرعية للوحدات الإسقاطية حلقة إسقاطية ر تسمى كل وحدة فرعية من الوحدة اليسرى الإسقاطية إسقاطية بالوراثة اليسرى.

لا يلزم أيضًا أن تكون حاصلات الوحدات الإسقاطية إسقاطية ، على سبيل المثال ض/ن هو حاصل قسمة ض، ولكنها ليست خالية من الالتواء ، وبالتالي فهي ليست مسطحة ، وبالتالي فهي ليست إسقاطية.

فئة الوحدات الإسقاطية التي تم إنشاؤها بدقة على حلقة هي فئة دقيقة. (انظر أيضًا نظرية K الجبرية).

بالنظر إلى وحدة ، م، أ دقة إسقاطية من م هو تسلسل دقيق لانهائي من الوحدات

مع كل صأناإسقاطي. كل وحدة تمتلك دقة إسقاطية. في الحقيقة أ قرار مجاني (القرار عن طريق الوحدات المجانية) موجود. قد يتم في بعض الأحيان اختصار التسلسل الدقيق للوحدات الإسقاطية إلى ص(م) → م → 0 أو صم → 0. يتم إعطاء مثال كلاسيكي للدقة الإسقاطية بواسطة مجمع Koszul للتسلسل المنتظم ، وهو دقة مجانية للمثالي الناتج عن التسلسل.

ال الطول من قرار محدود هو منخفض ن مثل ذلك صن غير صفري و صأنا = 0 من أجل أنا أكثر من ن. لو م يعترف بدقة إسقاطية محدودة ، وهو الحد الأدنى للطول بين جميع قرارات الإسقاط المحدودة لـ م يسمى به البعد الإسقاطي ويشار إلى pd (م). لو م لا يقبل قرارًا إسقاطيًا محدودًا ، ثم وفقًا للاتفاقية ، يُقال أن البعد الإسقاطي لا نهائي. كمثال ، ضع في اعتبارك وحدة م مثل هذا pd (م) = 0. في هذه الحالة ، دقة التسلسل 0 → ص0م → 0 يشير إلى أن السهم الموجود في المركز هو تماثل ، وبالتالي م في حد ذاته إسقاطي.

الوحدات الإسقاطية على الحلقات التبادلية لها خصائص لطيفة.

توطين وحدة الإسقاط هو وحدة إسقاط على الحلقة المترجمة. وحدة إسقاط على حلقة محلية مجانية. وبالتالي فإن الوحدة الإسقاطية هي محليا مجانا (بمعنى أن توطينه في كل نموذج أولي مجاني على توطين الحلبة المقابل).

العكس صحيح بالنسبة للوحدات المتولدة بشكل محدود عبر حلقات Noetherian: الوحدة النمطية المتولدة بشكل محدود فوق حلقة noetherian تبادلية مجانية محليًا إذا وفقط إذا كانت إسقاطية.

ومع ذلك ، هناك أمثلة على وحدات منتهية بشكل نهائي فوق حلقة غير نويثرية وهي مجانية محليًا وليست إسقاطية. على سبيل المثال ، فإن الحلقة المنطقية Boolean Ring لها كل مواقعها المتشابهة F2، مجال عنصرين ، لذا فإن أي وحدة فوق حلقة منطقية تكون مجانية محليًا ، ولكن هناك بعض الوحدات غير الإسقاطية على الحلقات المنطقية. مثال واحد هو ر/أنا أين ر هو نتاج مباشر للعديد من نسخ F2 و أنا هو المجموع المباشر لعدد لا يحصى من نسخ F2 بداخل ر. ال ر-وحدة ر/أنا محليًا مجانيًا منذ ذلك الحين ر هو منطقي (ويتم إنشاؤه بشكل نهائي كملف ر-الوحدة أيضًا ، مع مجموعة ممتدة من الحجم 1) ، ولكن ر/أنا ليس إسقاطي لأن أنا ليس مثالا رئيسيا. (إذا كانت وحدة حاصل القسمة ر/أنا، لأي حلقة تبادلية ر ومثالية أنا، هو إسقاطي ر-الوحدة بعد ذلك أنا رئيسي.)

ومع ذلك ، فمن الصحيح أن الوحدات المعروضة بشكل نهائي م على حلقة تبادلية ر (على وجه الخصوص إذا م تم إنشاؤه بشكل نهائي ر-وحدة و ر هو noetherian) ، ما يلي متكافئ. [4]

علاوة على ذلك ، إذا ر هو مجال متكامل نوثيري ، إذن ، من خلال ليما ناكاياما ، هذه الشروط تعادل

  • أبعاد ك (ع) >)> –فراغ المتجهات M ⊗ R k (p) ك (< mathfrak

    >)> هو نفسه بالنسبة لجميع المثل العليا ف >> من R ، حيث ك (ع) >)> هو الحقل المتبقي في p >>. [5] وهذا يعني ، م له رتبة ثابتة (كما هو محدد أدناه).

يترك أ تكون حلقة تبادلية. لو ب هو (ربما غير تبادلي) أ-الجبر الإسقاطي الذي تم إنشاؤه بدقة أ- تحتوي على وحدة أ كإجراء فرعي ، إذن أ هو عامل مباشر ل ب. [6]

تحرير الرتبة

الدافع الأساسي للنظرية هو أن الوحدات الإسقاطية (على الأقل فوق حلقات تبادلية معينة) هي نظائر لحزم المتجهات. يمكن أن يكون هذا دقيقًا لحلقة الوظائف ذات القيمة الحقيقية المستمرة في مساحة Hausdorff المدمجة ، وكذلك لحلقة الوظائف السلسة على مشعب سلس (انظر نظرية Serre-Swan التي تقول وحدة إسقاطية تم إنشاؤها بدقة على مساحة الوظائف السلسة في المشعب المضغوط هي مساحة المقاطع الملساء لحزمة متجهية ناعمة).

حزم المتجهات هي محليا مجانا. إذا كان هناك بعض مفهوم "التوطين" الذي يمكن نقله إلى وحدات ، مثل التوطين المعتاد للحلقة ، فيمكن للمرء تحديد الوحدات المجانية محليًا ، ثم تتزامن الوحدات الإسقاطية عادةً مع الوحدات المحلية المجانية.

نظرية Quillen-Suslin ، التي تحل مشكلة Serre ، هي نتيجة عميقة أخرى: إذا ك هو مجال ، أو بشكل عام مجال مثالي رئيسي ، و ر = ك[X1. Xن] عبارة عن حلقة متعددة الحدود منتهية ك، ثم تنتهي كل وحدة إسقاطية ر مجانا. تم طرح هذه المشكلة لأول مرة بواسطة Serre مع ك حقل (والوحدات التي يتم إنشاؤها بشكل نهائي). قام باس بتسويتها للوحدات غير المتولدة بشكل نهائي و Quillen و Suslin بشكل مستقل وفي نفس الوقت عالجت حالة الوحدات المتولدة بشكل محدود.

نظرًا لأن كل وحدة إسقاطية على مجال مثالي رئيسي مجانية ، فقد يسأل المرء هذا السؤال: if ر عبارة عن حلقة تبادلية بحيث يكون كل إسقاط (متولد بشكل نهائي) ر-الوحدة مجانية ، إذن كل (تم إنشاؤه بشكل نهائي) إسقاطي ر[X] خالية من الوحدة؟ الجواب هو رقم. يحدث مثال مضاد مع ر يساوي الحلقة المحلية للمنحنى ذ 2 = x 3 في الأصل. وبالتالي لا يمكن إثبات نظرية Quillen-Suslin من خلال الاستقراء البسيط على عدد المتغيرات.


2. العقل الممتد للموجة الثالثة والمعالجة التنبؤية

شكرًا لجون شوينكلر على دعوته إلى مدونة الضيف هذا الأسبوع حول كتابنا الوعي الممتد والمعالجة التنبؤية: عرض الموجة الثالثة (روتليدج ، 2019):

أين يتوقف عقلك (الواعي) ، ويبدأ باقي العالم؟ نحن ندافع عما أصبح يسمى حساب "الموجة الثالثة" للعقل الممتد. سنهدف في هذا المنشور إلى إعطائك فكرة عما يدور حوله النقاش داخل مجتمع العقل الموسع. ثانيًا ، سنقوم برسم تفسيرنا للموجة الثالثة لنظرية المعالجة التنبؤية للعقل. نحن لا نفكر في كيفية انتقاد منظور الموجة الثالثة على العقل الممتد ، وهي قضية نناقشها في مشاركات لاحقة.

يرجع مصطلح "الموجة" إلى Sutton (2010) ، ويستخدم للتمييز بين الأسطر الثلاثة التالية للحجة للعقل الموسع.

تمدد عقل الموجة الأولى هي وظيفة وظيفية قديمة الطراز ، مرتبطة إما بوظيفة الفطرة السليمة (Clark & ​​amp Chalmers 1998) أو بالوظيفة النفسية (Wheeler 2010). جادل منظرو الموجة الأولى (كما رأينا في مقالنا الأول) بتوسيع العقول إلى العالم على أساس التكافؤ الوظيفي للعناصر الموجودة داخليًا وخارجيًا للفرد. إذا كانت هذه العناصر تقدم مساهمات سببية مماثلة في توجيه سلوك الشخص ، فيجب معاملتها على قدم المساواة. وبشكل أكثر تحديدًا ، يجب ألا نستبعد العنصر الخارجي من كونه جزءًا من عقل الشخص على أساس موقعه خارج الجسم البيولوجي.

الموجة الثانية تدور الحجج حول المساهمات الوظيفية المختلفة ولكن التكميلية للأدوات والتقنيات مقارنة بالدماغ البيولوجي. وبالتالي ، فإن الأنظمة النظرية لممارسة الرياضيات على سبيل المثال ، تكمل أنماط المعالجة الداخلية للدماغ ، مما يؤدي إلى تحول قدرات التفكير الرياضي للأفراد والجماعات والأنساب. قد يبدو أن حجج الموجة الثانية تشير إلى صورة يكون فيها للعمليات العصبية الداخلية خصائص وظيفية خاصة بها تتحد مع أنظمة التمثيل العامة مثل أنظمة التدوين الرياضي التي لها أيضًا خصائص وظيفية ثابتة خاصة بها. ثم يظهر شيء جديد حقًا (مثل القدرات على التفكير الرياضي) عندما يتم دمج هذه العناصر ذات الخصائص الوظيفية القائمة بذاتها أو دمجها وظيفيًا.

الموجة الثالثة تتفق الحجج مع الموجة الثانية في اعتبار الثقافة المادية تحويلية لما يمكن أن يفعله البشر كمفكرين. ومع ذلك ، فإن وجهة نظر الموجة الثالثة تأخذ هذه العملية التحويلية لتكون متبادلة ومستمرة. تتشكل عقول البشر باستمرار بمرور الوقت من خلال الجمع بين الإجراءات المتجسدة والأدوات المادية والتقنيات والمعايير الثقافية لاستخدام هذه الأدوات والتقنيات. العوامل الفردية "يتم حلها في مواقع خاصة للتنسيق والاندماج بين الوسائط المهيكلة المتعددة" (Sutton 2010 ، ص 213). يتم توزيع الرقابة والتنسيق ونشرهما من خلال وسائل الإعلام المتبعة في أنماط النشاط الثقافي. لا يجب أن تنشأ جميع القيود (القواعد المحلية) التي تحكم التفاعلات بين المكونات (الداخلية والخارجية) للأنظمة المعرفية الممتدة من داخل الكائن البيولوجي. قد تنشأ بعض القيود في الممارسات الاجتماعية والثقافية ، في "الأشياء التي يفعلها الناس في التفاعل مع بعضهم البعض" (Hutchins 2011 ، ص 4). إن الحدود التي تفصل الفرد عن بيئته وعن التجمعات التي يشارك فيها الفرد "إنجازات تنموية وثقافية هشة ومكتسبة بشق الأنفس" (ساتون 2010 ، ص 213).

على عكس الموجات السابقة في تنظير العقل الممتد ، فإن الالتزام بالوعي الممتد يقع بشكل طبيعي خارج حجج الموجة الثالثة للعقل الممتد. نتبع سوزان هيرلي في التفكير في الواقعيين الماديين للوعي على أنهم تفردات ديناميكية ممتدة (Hurley 1998 ، 2010). يستخدم هيرلي هذا المصطلح للإشارة إلى التفرد في "مجال التدفقات السببية التي تتميز عبر الزمن بتشابك حلقات التغذية الراجعة المتعددة ذات المدارات المختلفة". تتشكل هذه التدفقات السببية من الدورات الحلقية للإدراك والفعل في الكائن الحي ، حيث يغلق العالم التشابك المعقد لحلقات التغذية الراجعة. التفرد الديناميكي الممتد كما تقول "تتمحور حول الكائن الحي وتتحرك معه ، لكن ليس لها حدود حادة" (Hurley 1998 ، ص 2). لكننا نبتعد عن هيرلي في السماح بتفكيك التفردات الديناميكية الممتدة. كما يلاحظ عالم الأنثروبولوجيا المعرفية إد هاتشينز ، فإن بعض الأنظمة "لديها مركز واضح ، بينما البعض الآخر لديه مراكز متعددة ، أو لا يوجد مركز على الإطلاق" (Hutchins 2011 ، ص 5). يتم تنسيق انتشار النشاط عبر وسائل الإعلام المختلفة من قبل "الإنسان المجهز بشكل خفيف" (أحيانًا) في مجموعات ، ودائمًا ما يكون جزءًا لا يتجزأ من الممارسات الثقافية.

وبالتالي ، فإن حجج الموجة الثالثة تسلط الضوء على الحاجة إلى إعادة التفكير في الميتافيزيقيا التي يتم من خلالها تطوير الحجج للعقول الممتدة. على عكس المفاهيم المعيارية للدستور أو الإدراك أو التكوين ، وكلها علاقات تحديد زمنية أو متزامنة ، فإننا نقترح فهم علاقات التحديد الميتافيزيقية من منظور زمني أو غير متزامن. العمليات المعرفية هي "مخلوقات الزمن" (Nöe 2006) ، أي أنها تعتمد في وجودها على الانكشاف الزمني عبر وسائط مختلفة: بعضها عصبي أو جسدي ، والبعض الآخر يشمل أشخاصًا آخرين والموارد التي توفرها بيئة شكلتها أنشطتنا الثقافية و أنماط الممارسة. تتشكل العقول الممتدة بشكل غير متزامن. نلخص أربعة مبادئ رئيسية لعرض الموجة الثالثة في الجدول التالي:

المبادئ الأساسية للعقل الممتد للموجة الثالثة

1. التفرد الديناميكي الممتد: بعض العمليات المعرفية
تتكون من شبكات سببية ذات مدارات داخلية وخارجية
تتألف من نظام معرفي واحد.
2. حدود مرنة ومفتوحة: حدود العقل ليست كذلك
ثابتة ومستقرة ولكنها هشة ومكتسبة بشق الأنفس ، ومنفتحة دائمًا على
تفاوض.
3. الجمعية المعرفية الموزعة: المهمة والتجميع الحساس للسياق للأنظمة المعرفية ليس مدفوعًا بالعامل الفردي ولكن بواسطة مجموعة من القيود ، بعضها عصبي ، وبعضها جسدي ، وبعضها بيئي
(ثقافي ، اجتماعي ، مادي).
4 - دستور غير متزامن: الإدراك في جوهره زمني و
ديناميكي ، تتكشف عبر مقاييس سلوك زمنية مختلفة ولكنها متفاعلة.

نعرض في كتابنا كيفية تفسير نظرية المعالجة التنبؤية من خلال عدسة العقل الممتد للموجة الثالثة. تُلقي المعالجة التنبؤية بالعاملين كنماذج توليدية لبيئتهم. النموذج التوليدي هو هيكل احتمالي يولد تنبؤات حول أسباب المحفزات الحسية. نحن نجادل بأن الضبط والصيانة المستمرة للنموذج التوليدي من خلال الاستدلال النشط يستلزم التشابك الديناميكي للوكيل والبيئة. في المنشورات الثلاثة التالية ، سنضع منظور الموجة الثالثة هذا على المعالجة التنبؤية للعمل على مناقشة ثلاث أطروحات تم الدفاع عنها في كتابنا:

الوظيفة 3: غطى عقل ماركوف العقل: لا توجد حدود واحدة ثابتة ودائمة تفصل العقل الواعي الداخلي عن العالم الخارجي. إن الحدود التي تفصل الكائنات الواعية عن العالم الخارجي سائلة ويتم بناؤها بنشاط من خلال النشاط المتجسد.

الوظيفة 4: رؤية ما تتوقع رؤيته: تدعي نظرية المعالجة التنبؤية أحيانًا أن التجربة الإدراكية يجب اعتبارها هلوسة خاضعة للرقابة. تتمثل مساهمة العالم في توفير فحص للعمليات التنبؤية للدماغ. نحن نجادل على النقيض من ذلك أن المعالجة التنبؤية التي تولد تجربة واعية لا يمكن فصلها عن العالم ولكنها استكشافية ونشطة وتشارك العالم.

الوظيفة 5: الدستور غير المتزامن للوعي الممتد: يستلزم اعتماد منظورنا للموجة الثالثة على المعالجة التنبؤية ميتافيزيقا جديدة لتكوين التجربة الواعية باعتبارها غير متزامنة وليست متزامنة.

كلارك ، أ ، وتشالمرز ، د. (1998). العقل الممتد. التحليلات, 50, 7-19.

هيرلي ، S.L. (1998). الوعي في العمل. كامبريدج ، ماساتشوستس: مطبعة جامعة هارفارد.

هتشينز ، إي (2011). إثارة العقل المتضخم. دراسات فلسفية, 152, 437446.

نو ، أ. (2006). اختبر العالم في الوقت المناسب. التحليلات, 66(1), 26-32

ساتون ، ج. (2010). Exograms والتخصصات المتعددة: التاريخ ، والعقل الممتد ، وعملية الحضارة. في ر.مناري (محرر) ، العقل الممتد (ص 189225). كامبريدج ، ماساتشوستس: مطبعة معهد ماساتشوستس للتكنولوجيا.

ويلر ، م.(2010). دفاعا عن الوظيفة الموسعة. في ر.مناري (محرر) ، العقل الممتد (ص 245 - 270). كامبريدج ، ماساتشوستس: مطبعة معهد ماساتشوستس للتكنولوجيا.


نتائج

نموذج

نفترض أنه عندما يختار الفرد وجهة ، مثل نموذج الإشعاع 32 ونموذج OPS 42 ، فإنه يقوم أولاً بتقييم الاستفادة من فرص الموقع 43 حيث يتم اختيار الميزة عشوائيًا من التوزيع ص(ض). بعد ذلك ، يقارن الفرد بشكل شامل فوائد الأصل والوجهة والفرص المتداخلة ويختار موقعًا كوجهة. لتوصيف سلوك المقارنة الفردية الشاملة لفوائد المواقع ، نستخدم معلمتين α و β. معامل α يعكس سلوك ميل الفرد لاختيار الوجهة التي تكون فائدتها أعلى من مزايا الأصل والفرص المتداخلة. معامل β يعكس سلوك ميل الفرد إلى اختيار الوجهة التي تكون فائدتها أعلى من فائدة الأصل ، وتكون فائدة الأصل أعلى من فوائد الفرص المتداخلة. وفقا للافتراض أعلاه ، احتمالية ذلك الموقع ي يتم تحديده من قبل الفرد في الموقع أنا يكون

أين مأنا هو عدد الفرص في الموقع أنا, مي هو عدد الفرص في الموقع ي, سأناي هو عدد الفرص المتداخلة 30 (أي مجموع عدد الفرص في جميع المواقع التي تبعد عنها مسافات أنا أقصر من المسافة من أنا ل ي) ، (< Pr> _ <_+ ألفا cdot _> (z) ) هو احتمال الحصول على أقصى فائدة بعد ذلك مأنا + αسأناي أخذ العينات هو بالضبط ض، (< Pr> _ < beta cdot _> (& lt z) ) هو احتمال الحصول على أقصى فائدة بعد ذلك βسأناي العينات أقل من ض, (_<_> (& gt z) ) هو احتمال الحصول على أقصى فائدة بعد ذلك مي العينات أكبر من ض, α و β كلاهما غير سلبي و α + β ≤ 1.

منذ العلاقات العامةx(& lt ض) = ص(& ltض) x ، نحصل

يمكن كتابة المعادلة (1) كـ

ثم ، احتمالية وجود الفرد في الموقع أنا اختيار الموقع ي يكون

علاوة على ذلك ، إذا عرفنا العدد الإجمالي للأفراد اأنا الذين يسافرون من الموقع أنا، التدفق تيأناي من الموقع أنا إلى الموقع ي يمكن حسابها على أنها

هذا هو الشكل النهائي للنموذج ونطلق عليه اسم نموذج الفرصة العالمية (UO).

ال α و β تعكس المعلمات في نموذج UO الاتجاهين السلوكيين للفرد عند اختيار الوجهات المحتملة (حيث تكون فائدة الفرصة أعلى من فائدة الأصل). من Eq. (3) يمكننا أن نرى أنه كلما زادت قيمة المعلمة α، كلما زاد احتمال أن يتم اختيار الوجهات المحتملة البعيدة من قبل الفرد. نسمي هذا الميل السلوكي الميل الاستكشافي. من ناحية أخرى ، كلما زادت قيمة المعلمة β، كلما زاد احتمال أن يتم اختيار الوجهات القريبة من قبل الفرد. نسمي هذا الميل السلوكي الميل الحذر. نختار متوسط ​​مسافة السفر والإنتروبيا الطبيعية كمقياسين أساسيين لمناقشة تأثير معلمتين α و β على سلوك اختيار الوجهة الفردية. يعكس متوسط ​​مسافة السفر الكثافة الظاهرية لاختيار الوجهة الفردية 44،45،46،47 ، ويعكس الانتروبيا الطبيعية عدم تجانس اختيار الوجهة الفردية 48. كما هو مبين في الشكل 1 ، فإن المقياسين الأساسيين لهما نفس الانتظام مع تغيير في معلمتين ، سواء كان عدد فرص الوجهة توزيعًا موحدًا أو عشوائيًا. متي α = 0, β = 1 ، متوسط ​​مسافة السفر هو الأقصر ، وقيمة الانتروبيا الطبيعية هي الأصغر عندما α = 0, β = 0 ، متوسط ​​مسافة السفر هو الأطول ، وقيمة الانتروبيا الطبيعية هي الأكبر. من تعريفات المعلمتين ، يمكننا بسهولة شرح أسباب الانتظام. متي α أقرب إلى 0 ، β أقرب إلى 1 ، يكون الفرد أكثر حذرًا ، وتكون احتمالية الاختيار القريبة من الوجهات المحتملة أعلى ، لذا فكلما كان متوسط ​​مسافة السفر أقصر وزاد التباين. متي α أقرب إلى 1 ، β أقرب إلى 0 ، يكون الفرد أكثر استكشافية ، واحتمال اختيار الوجهات المحتملة البعيدة أعلى ، لذلك يزداد متوسط ​​المسافة بينما يقل التباين. متي α و β كلاهما أقرب إلى 0 ، يولي الفرد أهمية أكبر للفائدة التي يجلبها الموقع له / لها ولا يهتم بترتيب المواقع ، لذلك كلما زاد متوسط ​​مسافة السفر وزاد التجانس.

متوسط ​​مسافة السفر والإنتروبيا الطبيعية مقابل مجموعات مختلفة من المعلمات. (أ,ب) متوسط ​​مسافة السفر وقيم الانتروبيا الطبيعية المقابلة لمجموعات المعلمات المختلفة. هنا ، عدد فرص الوجهة هو توزيع موحد. (ج,د) نفس متوسط ​​مسافة السفر وقيم الانتروبيا الطبيعية كما في (أ,ب) ، ولكن عدد فرص الوجهة هو توزيع عشوائي.

علاوة على ذلك ، متى α و β بأخذ القيم القصوى (أي الرؤوس الثلاثة للمثلث في الشكل 1) ، يمكننا اشتقاق ثلاثة نماذج خاصة للتنقل البشري. متي α = 0, β = 0 ، نسمي هذا النموذج نموذج الفرصة فقط (OO) (انظر التفاصيل في المعلومات التكميلية ، واشتقاق نموذج OO). في هذا النموذج ، يختار الفرد الموقع الذي تكون فائدته أعلى من فائدة الأصل. ثم ، احتمالية وجود الفرد في الموقع أنا اختيار الموقع ي كوجهة

متي α = 1, β = 0 ، يمكن تبسيط نموذجنا إلى نموذج OPS ، حيث يختار الفرد الموقع الذي تكون فائدته أعلى من فائدة الأصل وفوائد الفرص المتداخلة (انظر التفاصيل في المعلومات التكميلية ، اشتقاق نموذج OPS ). ثم ، احتمالية وجود الفرد في الموقع أنا اختيار الموقع ي كوجهة

متي α = 0, β = 1 ، يمكن تبسيط نموذجنا إلى نموذج الإشعاع ، حيث يختار الفرد الموقع الذي تكون فائدته أعلى من فائدة الأصل وتكون فوائد الفرص المتداخلة أقل من فائدة الأصل (انظر التفاصيل في التكميلية) المعلومات ، اشتقاق النموذج الإشعاعي). ثم ، احتمالية وجود الفرد في الموقع أنا اختيار الموقع ي كوجهة

من Eqs. (6) - (8) ، يمكننا أن نرى أن نموذج OO ونموذج OPS ونموذج الإشعاع كلها حالات خاصة لنموذج UO الخاص بنا.

تنبؤ

نستخدم أربعة عشر مجموعة بيانات تجريبية ، بما في ذلك رحلات التنقل بين مقاطعات الولايات المتحدة (USC) ، ورحلات التنقل بين مقاطعات إيطاليا (ITC) ، ورحلات التنقل بين المناطق الفرعية في المجر (HUC) ، والشحن بين المدن الصينية (CNF) ، والداخلية البحث عن عمل في الصين (CNJ) ، والهجرات الداخلية في الولايات المتحدة (USM) ، والسفر بين المدن في الصين (CNT) ، والسفر بين المدن في الولايات المتحدة (UST) ، والسفر بين المدن في بلجيكا (BLT) ، والرحلات داخل المدن في سوتشو (SZT) ، الرحلات الداخلية في بكين (BJT) ، والرحلات داخل المدن في Shenzhen (SHT) ، والرحلات داخل المدن في لندن (LOT) والرحلات داخل المدن في برلين (BET) (انظر أساليب) ، للتحقق من القدرة التنبؤية لنموذج UO. نقوم أولاً باستخراج التدفق تيأناي من الموقع أنا إلى الموقع ي من مجموعة البيانات والحصول على مصفوفة التنقل الحقيقية. ثم نستغل مؤشر التشابه Sørensen 38 (SSI ، انظر أساليب) لحساب التشابه بين مصفوفة التنقل الحقيقية ومصفوفة التنقل التي تنبأ بها نموذج UO تحت مجموعات مختلفة من المعلمات. النتائج موضحة في الشكل 2. ويبين الشكل 2 القيم المثلى للمعلمة α و β المقابلة لأعلى SSI لمجموعات البيانات الأربعة عشر.

نتائج مجموعات البيانات التجريبية. (أن) نحن نستغل مباحث أمن الدولة لحساب التشابه بين مصفوفة التنقل الحقيقية ومصفوفة التنقل المتوقعة تحت مجموعات معلمات مختلفة لمجموعات البيانات الأربعة عشر. هنا ، يمثل شريط الألوان SSI ، حيث تشير النقطة الحمراء الداكنة (الزرقاء) إلى SSI أعلى (أقل). (ا) القيم المثلى للمعلمات α و β تتوافق مع أعلى SSI لمجموعات البيانات الأربعة عشر.

يمكن أن نرى من الشكل 2 أ-د ذلك بالنسبة لـ USC و ITC و HUC و CNF ، متى α قريب من 0 و β بالقرب من 1 ، فإن SSI كبير نسبيًا. والسبب هو أنه بالنسبة لمجموعات بيانات التنقل (USC و ITC و HUC) ، فإن مسافة أو وقت التنقل مهم جدًا للمسافرين. نتيجة لذلك ، يميل معظم الناس إلى الاختيار بالقرب من الوجهات المحتملة عند العثور على وظيفة بناءً على مكان إقامتهم أو تعديل مكان إقامتهم بعد العثور على وظيفة. هذا الاتجاه الحذر لاختيار الوجهة موجود أيضًا في الشحن. سيؤدي الشحن إلى الوجهات البعيدة إلى زيادة تكاليف النقل وانخفاض تواتر الشحن ، مما سيكون له تأثير سلبي على عائدات الشحن. وبالتالي ، ما لم تكن ميزة فرصة الوجهة عالية جدًا ، يميل الفرد إلى اختيار وجهة قريبة بدلاً من وجهة بعيدة للشحن. بالنسبة لمجموعات بيانات الهجرة والبحث عن وظيفة (USM و CNJ) ، متى α قريب من 1 و β بالقرب من 0 ، فإن SSI كبير نسبيًا ، كما هو موضح في الشكل 2 هـ ، و. والسبب هو أن كلاً من الباحثين عن عمل والمهاجرين يولون اهتمامًا أكبر بفائدة فرصة الوجهة بدلاً من المسافة إلى الوجهة. بعبارة أخرى ، هم أكثر استكشافية ولكن أقل حذرًا. حتى إذا كانت وجهة المنافع العالية بعيدة ، فسيظل يتم اختيارها من قبل الأفراد الذين لديهم احتمالية عالية نسبيًا. والسبب هو أن المسافة إلى الوجهة لها تأثير أقل على سلوكيات التنقل على نطاق زمني طويل ، مثل الهجرة والبحث عن عمل ، مقارنة بسلوكيات التنقل اليومية. بالنسبة لمجموعات بيانات السفر بين المدن (CNT و UST و BLT) ، متى α و β كلاهما بالقرب من منتصف الخط القطري للمثلث ، فإن SSI كبير نسبيًا ، كما هو موضح في الشكل 2g-i. بالنسبة لمعظم الناس ، يكون السفر بين المدن عرضيًا وليس متكررًا مثل التنقل. المسافرون أقل ميلًا من المسافرين للاختيار بالقرب من الوجهات المحتملة لكنهم يميلون إلى استكشاف الوجهات المحتملة البعيدة. وبالتالي ، فإن معامل الميل الاستكشافي α من الرحلات بين المدن أكبر بكثير من السفر. من ناحية أخرى ، فإن أهمية تكلفة السفر للرحلات بين المدن أعلى من تكلفة الهجرة. وهكذا ، فإن معامل الميل الحذر β من الرحلات بين المدن أكبر من الهجرة. بالنسبة لمجموعات بيانات الرحلات الداخلية (SZT و BJT و SHT و LOT و BET) ، عندما α و β كلاهما قريب من 0 ، فإن SSI كبير نسبيًا ، كما هو موضح في الشكل 2j – n. والسبب هو أنه بالمقارنة مع سلوك التنقل بين المدن على نطاق مكاني كبير ، فإن النطاق المكاني لسلوك التنقل داخل المدن صغير. في هذا السيناريو ، لا يهتم الفرد بالضرورة بمسافة السفر ويركز أكثر على الفائدة التي سيجلبها له الموقع مباشرة. وبالتالي ، فإن القيم المثلى لـ α و β كلاهما قريب من 0 ، كما هو موضح في الشكل 2o.

نقارن بعد ذلك الدقة التنبؤية لتدفقات التنقل لنموذج UO بنموذج الإشعاع ونموذج OPS ونموذج OO. من حيث SSI ، كما هو مبين في الشكل 3 والجدول 1 ، يعمل نموذج UO بشكل أفضل. ومع ذلك ، يمكن أن يوفر نموذج الإشعاع ونموذج OPS تنبؤات دقيقة نسبيًا فقط لبعض مجموعات البيانات. على سبيل المثال ، يمكن أن يتنبأ نموذج الإشعاع برحلات التنقل والشحن بدقة نسبيًا ولكن لا يمكنه التنبؤ بدقة بأنواع التنقل الأخرى. والسبب هو أن الفرد يميل إلى الاختيار بالقرب من الوجهات المحتملة بدلاً من الوجهات المحتملة البعيدة في التنقل والشحن ، حيث تكون تكاليف السفر أكثر أهمية. من الشكل 2o ، يمكننا أن نرى أنه بالنسبة لمجموعات بيانات النقل والشحن ، المعلمة المثلى β (الذي يعكس ميل الفرد الحذر) لنموذج UO قريب من 1 ، والمعلمة المثلى α (التي تعكس الميل الاستكشافي للفرد) قريبة من الصفر. لذلك ، فإن دقة التنبؤ لنموذج الإشعاع الذي يختار فيه الفرد فقط أقرب وجهة محتملة (أي ، α = 0, β = 1) قريب من نموذج UO في مجموعات بيانات النقل والشحن. ومع ذلك ، فإن دقة التنبؤ بنموذج الإشعاع أقل بكثير من دقة نموذج UO في البحث عن الوظائف ، والهجرة ومجموعات بيانات السفر غير المتصلة. والسبب هو أنه من المرجح أن يختار الفرد وجهات بعيدة محتملة في مجموعات البيانات هذه. في هذه الحالات ، تكون دقة التنبؤ لنموذج OPS ، حيث يميل الفرد إلى اختيار وجهات محتملة بعيدة ، أقرب إلى نموذج UO. قمنا أيضًا بقياس التدفقات التي تنبأت بها نماذج مختلفة مقارنة بالتدفقات الحقيقية ووجدنا أن متوسط ​​التدفقات التي توقعها نموذجنا يتوافق مع الملاحظات الحقيقية أكثر من النماذج الثلاثة الأخرى (انظر التفاصيل في المعلومات التكميلية ، المقارنة بين النماذج المختلفة). نستخدم أيضًا فهرسًا إحصائيًا مستخدمًا بشكل متكرر ، يُسمى الخطأ التربيعي لمتوسط ​​الجذر (RMSE) ، لقياس أخطاء التنبؤ لنموذج UO والنماذج الثلاثة الأخرى ، ويسرد الجدول 1 النتائج. من الجدول ، يمكننا أن نرى أنه في معظم الحالات ، يكون RMSE لنموذج UO أصغر من نموذج القياس الآخر ، على الرغم من أن RMSE ليس هدف تحسين المعلمة لنموذج UO. تثبت هذه النتائج أن النماذج الثلاثة لا تلتقط سوى سلوك اختيار الوجهة للفرد على نطاق زماني مكاني معين. ومع ذلك ، يمكن لنموذج UO الخاص بنا أن يصف بدقة سلوك اختيار الوجهة للفرد في مختلف المقاييس الزمانية المكانية.

مقارنة دقة التنبؤ بنموذج UO ونموذج الإشعاع ونموذج OPS ونموذج OO من حيث SSI.


17.11 تثبيت R و Oracle R Enterprise لوظائف SQL المنطقية الخارجية

تقوم وظائف SQL المنطقية الخارجية مثل EVALUATE_SCRIPT و FORECAST و CLUSTER بتغذية بيانات الإدخال إلى عملية R المستقلة أو إلى Oracle R Enterprise. لذلك ، لإنشاء تحليلات تتضمن هذه الوظائف ، يجب عليك تثبيت المحرك الخارجي R أو Oracle R Enterprise في بيئتك.

R هي بيئة مستخدمة على نطاق واسع للحوسبة والرسومات الإحصائية ويمكن استخدامها مع العديد من مصادر البيانات المختلفة بما في ذلك الملفات الخارجية أو قواعد البيانات. تم تثبيت Oracle R Enterprise خصيصًا للاستخدام مع Oracle Database ، وتجعل لغة البرمجة الإحصائية R مفتوحة المصدر والبيئة جاهزة للاستخدام بواسطة Oracle BI EE.

17.11.1 تثبيت حزم R و R

لإنشاء تحليلات باستخدام وظائف SQL المنطقية الخارجية للتحليلات المتقدمة ، يجب عليك تثبيت R وحزم R المطلوبة.

17.11.1.1 قبل أن تبدأ التثبيت

تحتاج إلى تثبيت الإصدار 3.1.1 R الموزع مع Oracle BI. يمكنك العثور على مثبت R في موقع بيئة Oracle BI التالي:

يدعم التثبيت R الموزع Linux (OLE 6 و OLE 7) و Windows (7 و 8).

17.11.1.2 تثبيت حزم R و R على منصات UNIX

استخدم الإجراءات الواردة في هذا القسم لتثبيت حزم R و R على أنظمة UNIX الأساسية. راجع "قبل أن تبدأ التثبيت" للحصول على معلومات عامة عن المتطلبات الأساسية.

قبل إجراء التثبيت ، لاحظ المعلومات المهمة التالية والمهام المطلوبة:

قم بتشغيل RInstaller.sh كجذر أو باستخدام الأمر sudo. راجع الملف README.txt المضمن في r-installer.tar.gz للحصول على مزيد من المعلومات.

حدد موقع proxy.txt في مجلد RInstaller وقم بتحريره لتضمين تفاصيل الخادم الوكيل.

بالنسبة إلى OLE 7 ، قبل تثبيت توزيع Oracle R ، تحتاج إلى تثبيت كل من TexLive و TexInfo RPMs.

إصدارات RPM المطلوبة هي: texlive-epsf-svn21461.2.7.4-32.el7.noarch.rpm و texinfo-tex-5.1-4.el7.x86_64.rpm.

قم بتنزيل RPMs وتثبيتها باستخدام rpm -ivh & ltrpm_name & gt.

يجب عليك تثبيت RPMs بهذا الترتيب المحدد: texlive ثم texinfo.

لتثبيت R على أنظمة تشغيل UNIX:

افتح سطر أوامر ، وانتقل إلى موقع المثبت ، وأدخل ما يلي لإلغاء تنشيط برنامج التثبيت R الموزع وتشغيله:

لتثبيت حزم R على منصات UNIX

بالنسبة لأنظمة UNIX ، بعد تثبيت R ، ثم من نفس سطر الأوامر ، قم بتشغيل الأمر التالي لتنزيل حزم R المطلوبة وتثبيتها (التنبؤ ، mvoutlier ، randomForest ، RJSONIO ، و matrixcalc). يؤدي تشغيل هذا الأمر أيضًا إلى تثبيت حزمة OBIEEAdvancedAnalytics R. يستخدم المثبت معلومات الوكيل من proxy.txt لتنزيل الحزم من CRAN.

17.11.1.3 تثبيت حزم R و R على نظام التشغيل Windows

استخدم الإجراءات الواردة في هذا القسم لتثبيت حزم R و R على Windows. راجع "قبل أن تبدأ التثبيت" للحصول على معلومات عامة عن المتطلبات الأساسية.

قبل إجراء التثبيت ، لاحظ المعلومات المهمة التالية والمهام المطلوبة:

حدد موقع proxy.txt في مجلد RInstaller وقم بتحريره لتضمين تفاصيل الخادم الوكيل.

قبل أن تتمكن من تثبيت R على Windows ، يجب عليك التأكد من أن بيئة Windows الخاصة بك تحتوي على أدوات wget و unzip. يمكنك تنزيل هذه الأدوات المساعدة من المواقع التالية:

حدد موقع NQSConfig.INI وافتحه. في قسم ADVANCE_ANALYTICS_SCRIPT ، قم بتحديث خاصية R_EXECUTABLE_PATH للإشارة إلى المسار R القابل للتنفيذ. فمثلا:

R_EXECUTABLE_PATH = "C: / Program Files / R / R-3.1.1 / bin / x64 / R"

باستخدام أداة zip المساعدة ، قم بفك ضغط r-installer.tar.gz.

إذا لم تكن قد قمت بذلك بالفعل ، فانتقل إلى مجلد RInstaller ، وحدد موقع proxy.txt ، وقم بتحريره لتضمين تفاصيل الخادم الوكيل.

لتشغيل برنامج التثبيت ، انتقل إلى مجلد RInstaller حيث قمت بفك ضغط r-installer.tar.gz ، وحدد موقع "./Rinstaller.bat install" ثم قم بتنفيذها في جلسة سطر الأوامر.

لتثبيت R Packages على نظام Windows:

بعد تثبيت R ، ثم من نفس سطر الأوامر ، قم بتشغيل الأمر التالي لتنزيل حزم R المطلوبة وتثبيتها (التنبؤ ، mvoutlier ، randomForest ، RJSONIO ، و matrixcalc). يؤدي تشغيل هذا الأمر أيضًا إلى تثبيت حزمة OBIEEAdvancedAnalytics R.

17.11.2 تثبيت Oracle R Enterprise وحزم R المطلوبة في Oracle Database

يستخدم Oracle BI EE محرك R المضمن في Oracle R Enterprise بدلاً من R.يمكن أن يستخدم Oracle BI EE خيار موقع Oracle R Enterprise ، حيث يمكن أن توجد البيانات في قاعدة بيانات Oracle R Enterprise. (في خيار عدم التخصيص ، لا توجد البيانات في قاعدة بيانات Oracle R Enterprise.)

راجع "قبل أن تبدأ التثبيت" للحصول على مزيد من المعلومات. إذا كنت تستخدم قواعد بيانات غير Oracle Database ، فراجع "تثبيت حزم R و R" لمزيد من المعلومات.

17.11.2.1 قبل أن تبدأ التثبيت

يتطلب Oracle BI EE تثبيت Oracle R Enterprise الإصدار 1.4 أو 1.4.1. انظر الجدول 17-11 لمزيد من المعلومات.