Nors aprašomoji grafų analizė nubraižo dabartinę tinklo architektūrą, kad paaiškintų esamus santykius, nuspėjamasis grafų modeliavimas naudoja šiuos modelius būsimiems ryšiams ar atributams prognozuoti. Vienas metodas nurodo, kas šiuo metu yra svarbus socialiniame rate, o kitas prognozuoja, kas greičiausiai taps draugais toliau.
Į ateitį orientuota technika, kuri naudoja istorinius tinklo duomenis ir mašininį mokymąsi, kad numatytų būsimas būsenas arba trūkstamą informaciją.
Pagrindinis metodas, skirtas esamos grafiko struktūros ir savybių apibendrinimui ir vizualizavimui.
| Funkcija | Nuspėjamasis grafų modeliavimas | Aprašomoji grafų analizė |
|---|---|---|
| Laikinas fokusavimas | Į ateitį orientuotas | Praeitis ir dabartis |
| Pagrindinis klausimas | Kas bus toliau? | Kokia dabartinė struktūra? |
| Pagrindiniai metodai | Mašininis mokymasis, GNN | Centriškumas, bendruomenės aptikimas |
| Išvesties tipas | Tikimybinės prognozės | Struktūrinės santraukos |
| Duomenų reikalavimas | Didelės apimtys (treniruočių rinkiniai) | Lankstus (pavienės nuotraukos) |
| Sudėtingumas | Aukštas (reikalingas modelio derinimas) | Vidutinis (algebrinis ir topologinis) |
| Dažnas naudojimo atvejis | Siūlyti naujus draugus | Socialinio rato žemėlapis |
Aprašomoji analizė iš esmės yra aukštųjų technologijų jūsų tinklo auditas; ji nagrinėja jau turimus mazgus ir briaunas, kad rastų paslėptus klasterius arba kliūtis. Kita vertus, nuspėjamasis modeliavimas yra simuliacija, kuri dabartinį grafiką traktuoja kaip vieną kadrą judančiame paveikslėlyje, bandydama atspėti, kaip atrodys kitas kadras.
Aprašomieji metodai dažnai remiasi tiesinės algebros ir grafų teorijos pagrindais, pavyzdžiui, apskaičiuojant, kiek žingsnių reikia nueiti iš taško A į tašką B. Nuspėjamasis modeliavimas pereina į statistikos ir dirbtinio intelekto sritį, naudojant algoritmus, kad priskirtų „tikimybes“ įvykiams, kurie dar neįvyko.
Aprašomoji analizė gali atskleisti, kad konkretus tiekėjas yra kritinis gedimo taškas jūsų logistikos tinkle, nes visi jungiasi per jį. Prognozinis modeliavimas tai dar labiau išplėstų, prognozuojant, kaip visas tinklas gali žlugti, jei tas tiekėjas būtų pašalintas, arba kuris atsarginis tiekėjas greičiausiai užpildys spragą.
Aprašomosios diagramos yra statiškos tiesos; tol, kol duomenys tikslūs, analizė tuo metu yra „teisinga“. Nuspėjamieji modeliai yra „gyvi“ subjektai, kurie gali nukentėti nuo „modelio dreifo“ – tai reiškia, kad laikui bėgant, keičiantis realaus pasaulio elgesiui, jie tampa mažiau tikslūs, todėl juos reikia nuolat mokyti naudojant naujus duomenis.
Nuspėjamieji modeliai visada yra vertingesni nei aprašomieji.
Vertė priklauso nuo tikslo. Labai tiksli kažko nereikšmingo prognozė yra mažiau naudinga nei aprašomoji įžvalga, atskleidžianti didžiulį sukčiavimo tinklą, paslėptą jūsų dabartiniuose duomenyse.
Norint atlikti aprašomąją grafų analizę, reikia daktaro laipsnio.
Daugelis šiuolaikinių BI įrankių leidžia vienu spustelėjimu paleisti standartinius centralizacijos arba bendruomenės aptikimo algoritmus, nors niuansų interpretavimas vis tiek reikalauja tam tikrų žinių.
Grafų modeliai gali numatyti ateitį su 100% tikslumu.
Prognozės yra grynai tikimybinės. Jos nurodo, kas yra „tikėtina“, remiantis praeities modeliais, tačiau negali atsižvelgti į „juodosios gulbės“ įvykius ar atsitiktinius žmonių elgesio pokyčius.
Grafų analizė skirta tik socialinių tinklų gigantams.
Mažos įmonės naudoja grafinę analizę viskam – nuo tiekimo grandinės optimizavimo iki vidinio žinių mainų tarp darbuotojų žemėlapių sudarymo.
Naudokite aprašomąją analizę, kai reikia suprasti, „kas“ ir „kaip“ veikia jūsų dabartinė tinklo struktūra ataskaitų teikimo ar audito tikslais. Rinkitės nuspėjamąjį modeliavimą, kai reikia numatyti augimą, valdyti riziką arba automatizuoti būsimą sprendimų priėmimą, pagrįstą tinklo tendencijomis.
Astrologinės prognozės susieja dangaus ciklus su žmonių patirtimi siekiant simbolinės reikšmės, o statistinės prognozės analizuoja empirinius istorinius duomenis, kad įvertintų būsimas skaitines vertes. Šiame palyginime nagrinėjamas skirtumas tarp senovinės, archetipais pagrįstos asmeninių apmąstymų sistemos ir modernios, duomenimis pagrįstos metodologijos, naudojamos objektyviam sprendimų priėmimui versle ir moksle.
Šis palyginimas nagrinėja intriguojančią prarają tarp senovinių dangaus stebėjimų ir šiuolaikinės prognozinės analizės. Astrologiniai tranzitai naudoja planetų ciklus asmeninio augimo fazėms interpretuoti, o gyvenimo įvykių tikimybių modeliai remiasi dideliais duomenimis ir statistiniais algoritmais, kad numatytų konkrečius etapus, tokius kaip karjeros pokyčiai ar sveikatos priežiūros poreikiai.
Nors retrospektyvinė analizė veikia kaip organizacijos galinio vaizdo veidrodis, analizuodama istorinius įrašus, kad suprastų praeities sėkmes ir nesėkmes, ateities prognozavimo modeliai žvelgia pro priekinį stiklą, derindami statistinius algoritmus ir mašininį mokymąsi, kad numatytų būsimus rinkos pokyčius, klientų veiksmus ir veiklos kliūtis.
Pasirinkimas tarp aukšto dažnio duomenų ir apibendrintų duomenų yra esminis kompromisas analitikoje. Nors neapdoroti, per sekundę gaunami sandoriai ir jutiklių srautai suteikia neprilygstamą tiesioginio elgesio ir rinkos mikrostruktūrų matomumą, suspausti laiko apibendrinimai pašalina didžiulį statistinį triukšmą ir didelius infrastruktūros poreikius, kad būtų galima atskleisti aiškias, struktūrines ilgalaikes tendencijas.
Pasirinkimas tarp automatinio modelių sekimo ir rankinio eksperimentų sekimo iš esmės lemia duomenų mokslo komandos greitį ir atkuriamumą. Nors automatizavimas naudoja specializuotą programinę įrangą, kad sklandžiai užfiksuotų kiekvieną hiperparametrą, metriką ir artefaktą, rankinis sekimas priklauso nuo žmogaus kruopštumo naudojant skaičiuokles arba „markdown“ failus, todėl reikia rasti griežtą kompromisą tarp sąrankos greičio ir ilgalaikio keičiamo tikslumo.
