Et prædiktivt Analytics-model - dummies

Del af Prediktiv Analytics til Dummies Cheat Sheet

Et succesfuldt predictive analytics-projekt udføres trin for trin. Når du fordyber dig i projektets detaljer, pas på disse store milepæle:

1. Definere forretningsmål

   Projektet begynder med at bruge et veldefineret forretningsmål. Modellen skal adressere et forretningsspørgsmål. Når du klart angiver dette mål, kan du definere omfanget af dit projekt og give dig den nøjagtige test for at måle dens succes.

2. Klargøring af data

   Du bruger historiske data til at træne din model. Dataene er normalt spredt over flere kilder og kan kræve rensning og forberedelse. Data kan indeholde dublette poster og outliers; Afhængigt af analysen og forretningsmålet beslutter du, om du vil beholde eller fjerne dem. Dataene kunne også have manglende værdier, det kan være nødvendigt at gennemgå en del transformation og kan bruges til at generere afledte attributter, der har mere prædiktiv effekt til dit mål. Samlet set indikerer kvaliteten af ​​data kvaliteten af ​​modellen.

3. Sampling af dine data

   Du skal opdele dine data i to sæt: Træning og test datasæt. Du bygger modellen ved hjælp af træningsdatasættet. Du bruger testdatasættet til at kontrollere nøjagtigheden af ​​modelens output. Det er helt afgørende at gøre det. Ellers risikerer du risikoen for overfitting din model - træner modellen med et begrænset datasæt, til det punkt, at det vælger alle egenskaber (både signalet og støj), der kun gælder for det pågældende datasæt. En model, der er overfitted til et bestemt datasæt, vil udføre miserably, når du kører det på andre datasæt. Et testdatasæt sikrer en gyldig måde til præcis at måle modelens ydeevne.

4. Opbygning af modellen

   Undertiden låner dataene eller forretningsmålene sig til en bestemt algoritme eller model. Andre gange er den bedste tilgang ikke så klar. Når du undersøger dataene, skal du køre så mange algoritmer som muligt; sammenligne deres output. Basér dit valg af den endelige model på de samlede resultater. Nogle gange er det bedre at køre et ensemble af modeller samtidigt på dataene og vælge en endelig model ved at sammenligne deres output.

5. Implementering af modellen

   Når du har bygget modellen, skal du implementere den for at kunne høste fordelene. Denne proces kan kræve koordinering med andre afdelinger. Formålet med at opbygge en implementerbar model. Vær også sikker på at du ved, hvordan du præsenterer dine resultater for forretningspartnere på en forståelig og overbevisende måde, så de vedtager din model.Når modellen er implementeret, skal du overvåge dens ydeevne og fortsætte med at forbedre den. De fleste modeller forfalder efter en vis periode. Hold din model opdateret ved at opdatere den med nyligt tilgængelige data.