Calculadora do teorema do patinho feio

O teorema do patinho feio é um resultado do reconhecimento de padrões que afirma que, sem pressupostos sobre quais propriedades importam, todos os pares de objetos são igualmente semelhantes. Satosi Watanabe o apresentou para revelar uma escolha oculta na classificação. As pessoas consideram duas coisas parecidas porque enfatizam certos traços e ignoram muitos outros. Um computador só pode fazer esse julgamento de forma significativa quando um projetista fornece características, pesos ou um modelo. Esta calculadora oferece uma demonstração prática e simplificada usando conjuntos de características nomeadas. Cada termo separado por vírgula é tratado como uma propriedade. A contagem de características em comum é a interseção dos conjuntos, enquanto a de características distintas é a união. A porcentagem exibida é a similaridade de Jaccard: tamanho da interseção dividido pelo tamanho da união, multiplicado por 100. Listas idênticas recebem cem por cento, listas sem sobreposição recebem zero, e sobreposições parciais ficam entre esses limites. O cálculo não prova que um objeto seja objetivamente mais parecido com outro. Ele mostra como o resultado depende do vocabulário escolhido. Descrever aves por cor e tamanho pode gerar uma ordem; usar habitat, marcadores genéticos ou comportamento pode gerar outra. Adicionar, remover, dividir ou combinar características muda o espaço matemático e pode alterar todas as comparações. Mesmo medições aparentemente objetivas refletem decisões sobre instrumentos, escalas, limiares e dados ausentes. Comparar várias listas ajuda a tornar essas escolhas de modelagem visíveis antes de tirar conclusões. Esse princípio importa em aprendizado de máquina, agrupamento, recuperação de informação e taxonomia científica. Modelos incorporam pressupostos pelos dados de treinamento, funções de distância, engenharia de características e parâmetros. Esses pressupostos podem ser úteis, mas nunca são neutros. Por isso, um índice de similaridade deve ser interpretado no contexto da representação escolhida. Use a ferramenta para testar listas, observar mudanças na sobreposição e discutir por que o conhecimento da área é essencial quando um sistema decide o que conta como semelhante.