आर, मोंटे कार्लो और उद्यम कार्य

व्यावहारिक नियमितता के साथ व्यावहारिक समस्याओं को हल करते समय, किसी को दो विशिष्ट दृष्टिकोणों का सामना करना पड़ता है जो बैठकों में आगे रखे जाते हैं या हवा में होते हैं।

• विकल्प 1 - किसी विशेष समस्या को सामान्य तरीके से हल करते हैं। इस तरह से इसे हल करने के बाद, हम रास्ते में बहुत अधिक हल करने में सक्षम होंगे।
• विकल्प 2 - आइए एक गैर-रेखीय प्रणाली के व्यवहार की भविष्यवाणी करने के लिए पूर्वानुमान, एमएल और बहुत सारी फैशनेबल चीजों की भविष्यवाणी करें। सब के बाद कूल।

हालांकि, इस तरह के दृष्टिकोण का आवेदन हमेशा समस्या के प्रारंभिक सूत्रीकरण के लिए पर्याप्त नहीं है।
यह पिछले प्रकाशनों का एक सिलसिला है।

ऐसे दृष्टिकोण बेमानी क्यों हो सकते हैं? हां, कई कारणों से: किसी समस्या का समाधान खोजने में लगने वाला समय, गणना करने में लगने वाला समय, कंप्यूटिंग संसाधनों की मात्रा की आवश्यकताएं, उच्च सटीकता के साथ गणना करना, गलत मॉडल का निर्माण, प्रत्यक्ष समस्या के विश्लेषणात्मक समाधान की उच्च जटिलता, उलटा समस्या को हल करने की उच्च जटिलता, और बहुत कुछ।

लेकिन ऐसी समस्याओं को हल करने के लिए एक क्लासिक तरीका है, जो विशेष रूप से अच्छा है यदि आपके पास एक शक्तिशाली कंप्यूटर है। मोंटे कार्लो विधि। स्टेट। एक प्रत्यक्ष समस्या के लिए कई समाधानों के परिणामों का विश्लेषण, जो, एक नियम के रूप में, अच्छी तरह से एल्गोरिदम है।
पहले अनुमान के रूप में, आवश्यक उत्तर, कुछ घंटों में प्राप्त किए जा सकते हैं, जिसमें समस्या को समझना, कोडिंग और अनुमानित गणना करना शामिल है।

नीचे सिर्फ 2 उदाहरण दिए गए हैं।

उदाहरण 1. नेस्टेड सूचियों का संयोजन

प्रारंभिक व्यावसायिक कार्य इनपुट वाक्यांशों के एक छोटे सेट के आधार पर चैट बॉट के प्रशिक्षण आधार का विस्तार करना है। स्रोत वाक्यांशों का एक बड़ा चयन केवल शारीरिक रूप से नहीं है। लेकिन इसे वाक्य संरचना के प्रारंभिक विश्लेषण और भाषा के नियमों द्वारा अनुमत क्रमपरिवर्तन की पीढ़ी द्वारा काफी विस्तार किया जा सकता है। उदाहरण के लिए, "एक पाइप 6 कमरे में बहती है" और "एक कमरे में 6 प्रवाह पाइप" अनिवार्य रूप से समान हैं।

तो, एक औपचारिक बयान। नेस्टेड सूचियों की एक बहु-स्तरीय सूची है। मूल्यों की मूल सूची के लगभग सभी संभावित क्रमांकन उत्पन्न करना आवश्यक है, बशर्ते कि तत्वों की क्रमपरिवर्तन प्रत्येक अलग सूची के भीतर ही अनुमेय हो।

ll <- list(list('a', 'b', 'c'), 'd', list('e', 'f', list('g', 'h', 'i'))) #   factorial(3) * factorial(3) * factorial(3) * factorial(3) 

 #        ff <- function(x){ #    ,           res <- if(is.list(x)) { sample(x, length(x), replace = FALSE) %>% purrr::map(ff) } else { x } res } procLine <- function(row){ purrr::map(row, ff) %>% #    rlang::squash_chr() %>% stri_c(collapse = "") } #   ,     wks <- 1 future::plan(multiprocess, workers = wks) tic(glue("Generating permutations @ {wks} thread(s)")) df1 <- purrr::map(1:10^4, ~sample(ll, length(ll), replace = FALSE)) %>% #          # purrr::map_chr(procLine) %>% furrr::future_map_chr(procLine) %>% enframe(name = NULL) %>% distinct() toc() 

उदाहरण 2. ग्राहक कतारों की भविष्यवाणी करना

माप योजना ऐसी है कि प्रक्रिया के बाहरी संकेतक लेना संभव है (हम इसे समय में जटिल और अस्थिर मानते हैं), जैसे कि ग्राहकों के आगमन और प्रस्थान का समय, टोकरी की संरचना और बहुत कुछ।

विकल्प संख्या 1 - समस्या सिर पर हल करना। सभी प्रकार के बाहरी संकेतकों (सुविधाओं) के ऐतिहासिक द्रव्यमान के कलाकार + संचय का शून्य सैद्धांतिक ज्ञान और "फिटिंग" के लिए एमएल तरीकों का उपयोग। कुछ पूर्वानुमान लगाए जा रहे हैं, लेकिन क्या, क्यों, और कैसे - इस दायरे से परे है, यह आवश्यक है कि लियनरीकृत "व्याख्या" का उपयोग किया जाए।

विकल्प संख्या 2 - हम अनुभूति की वैज्ञानिक पद्धति का उपयोग करते हैं। हम कतारबद्ध प्रणालियों के सिद्धांत को खोलते हैं, एक स्टेट का निर्माण करते हैं। क्यूएस मापदंडों के अनुसार प्रक्रिया संकेतक, हम ग्राहक सेवा के एक पैरामीटरित असतत सिमुलेशन लॉन्च करते हैं। हमें सिस्टम का एक "डिजिटल मॉडल" मिलता है जिसमें नियंत्रण के लिए लीवर होता है और एक विश्लेषणात्मक व्याख्यात्मक शक्ति होती है जो प्रेक्षित वस्तुओं की प्रकृति पर आधारित होती है, न कि कुछ "सुविधाओं" के सेट पर।
R के पास इसके लिए एक बेहतरीन simmer पैकेज है। सभी जानकारी और यहाँ बहुत सारे व्यावहारिक उदाहरण हैं ।

पिछला पोस्ट - "आर में बिगिनेंट आइडेंटिफ़ायर के साथ काम करने पर कुछ छूता है" ।