Modèle descriptif
Le modèle de système est un modèle logique qui est introduit dans le chapitre 2 Section 2.1.2. Ce modèle capture les exigences, la structure, le comportement et les contraintes paramétriques associées à un système et à son environnement, ainsi que les relations entre ces éléments. Comme discuté tout au long de ce livre, SysML est un langage de modélisation utilisé pour capturer le modèle du système. SysML prend en charge diverses techniques d`abstraction et offre la possibilité de représenter de nombreuses vues différentes du système, telles qu`une vue en boîte noire, une vue en boîte blanche et une vue de sécurité. Le modèle système peut également être interrogé et analysé à des fins différentes, telles que l`analyse de la traçabilité, l`évaluation de l`exhaustivité du modèle et la validation de l`exactitude du modèle. La création d`un modèle de simulation de dynamique de systèmes nécessite d`abord de donner un nom à chaque nœud, puis de définir ses relations en dessinant des flèches et enfin de définir la façon dont chaque nœud se comporte. Cela se fait avec des équations mathématiques simples comme: dans les modèles descriptifs, des stratégies de décision sont encore nécessaires pour aborder la zone grise introduite par les modèles descriptifs. En cas de détection des aberrants à l`aide de clusters, l`idée est de fournir un ensemble de données volumineux à un algorithme de clustering et il placera les points de données et de rechercher des points qui sont proches de former un cluster. Une fois que les grappes sont formées et que leurs définitions ont été identifiées, le modèle descriptif est prêt. Lorsqu`une nouvelle observation intervient, il est déterminé quel cluster il fait partie ou s`il est proche d`un cluster particulier. Une stratégie de décision ou le logiciel de clustering peut calculer que regarder les plages de variables au sein de chaque cluster et les valeurs sur la nouvelle observation. Une fois qu`il est déterminé si la nouvelle observation est dans le cluster, le comportement futur attendu de la nouvelle observation sera le même que le reste de la population de la grappe, et donc une décision peut être prise sur la décision sur la nouvelle observation. D`autre part, si elle se trouve à l`extérieur d`un cluster particulier, il doit être déterminé comment appliquer la perspicacité du cluster, il est le plus proche.
Les distances Euclidiennes de «dans le cluster», «en dehors du cluster» et «à quelle distance en dehors du cluster» sont toutes des zones grises qui ont besoin d`une stratégie de décision pour déterminer comment les traiter. Les modèles physiques tombent également dans deux classes: celles qui ne peuvent pas être simulées (statiques) et celles qui peuvent (simulation). Enfin, une fois que les points de levier élevés sont trouvés, la modélisation prescriptives se déplace dans le test de la meilleure „push“ sur eux. Cela nécessite une expérimentation. Si cela est fait correctement, les expériences que le travail peut être facilement mis à l`échelle dans la solution réelle. Les analyses prédictives, qui utilisent des modèles statistiques et des techniques de prévision pour comprendre l`avenir et répondre: «qu`est-ce qui pourrait arriver?» La solution standard à la contrainte de complexité a été de modéliser la partie du système qui, si elle est comprise, conduira à la solution du problème. Mais comment savez-vous quelle portion de modèle? Et comment savez-vous comment le modéliser afin qu`une solution est facile à dériver du modèle? Il n`y a pas de réponses éprouvées et vraies à ces questions en utilisant la stratégie de modélisation de la partie «droite» du système, parce que la partie «droite» doit être trouvée intuitivement. Le résultat est que la plupart de ces efforts échouent. Finalement, donné assez de temps, la chance (d`essai et d`erreur) conduit à une solution viable. Un autre aperçu du modèle de Newell se rapporte à la méthodologie de la recherche.
La recherche au bas de l`échelle est très quantitative dans la nature. Le travail dans la bande biologique, par exemple, est probablement expérimental et empirique, au niveau des impulsions neuronales. En haut de l`échelle, l`inverse est vrai. Dans le groupe social, les méthodes de recherche tendent à être qualitatives et non expérimentales.