Calculadora del teorema del patito feo

El teorema del patito feo es un resultado del reconocimiento de patrones que afirma que, sin suponer qué propiedades importan, todos los pares de objetos son igual de similares. Satosi Watanabe lo formuló para mostrar una elección oculta en la clasificación. Las personas consideran naturalmente que dos cosas se parecen porque destacan ciertos rasgos e ignoran muchos otros. Una computadora no puede emitir ese juicio con sentido hasta que un diseñador aporte características, pesos o un modelo. Esta calculadora ofrece una demostración práctica y simplificada con conjuntos de características nombradas. Trata cada término separado por comas como una propiedad. El número de características compartidas es la intersección de los conjuntos; el de características distintas es su unión. El porcentaje mostrado es la similitud de Jaccard: tamaño de la intersección dividido por el de la unión, multiplicado por 100. Las listas idénticas obtienen cien por ciento, las que no coinciden obtienen cero y las coincidencias parciales quedan entre ambos extremos. El cálculo no demuestra que un objeto sea objetivamente más parecido a otro. Muestra cómo el resultado depende del vocabulario elegido. Describir aves por color y tamaño puede producir un orden; usar hábitat, marcadores genéticos o conducta puede producir otro. Añadir, eliminar, dividir o combinar características cambia el espacio matemático y puede alterar todas las comparaciones. Incluso las mediciones aparentemente objetivas reflejan decisiones sobre instrumentos, escalas, umbrales y datos ausentes. Comparar varias listas permite hacer visibles esas decisiones de modelado antes de extraer conclusiones. Este principio importa en aprendizaje automático, agrupamiento, recuperación de información y taxonomía científica. Los modelos incorporan supuestos mediante datos de entrenamiento, funciones de distancia, ingeniería de características y parámetros. Esos supuestos pueden ser útiles, pero nunca son neutrales. Por ello, una puntuación de similitud debe interpretarse dentro de la representación elegida. Usa la herramienta para probar listas, observar cómo cambia el solapamiento y debatir por qué el conocimiento del área es esencial al decidir qué cuenta como parecido.