Sådan bruges forudsætninger passende i Predictive Analytics - dummies

På trods af alt, hvad du har fået at vide om antagelser, der forårsager problemer, forbliver nogle antagelser kernen i enhver prædiktiv analysemodel. Disse antagelser dukker op i de valgte variabler og vurderes i analysen - og disse variabler påvirker direkte nøjagtigheden af ​​den endelige models output.

Derfor er din klogeste forsigtighed i starten at identificere hvilke antagelser der er mest relevante for din model - og for at bevare dem til et absolut minimum.

At skabe en prædiktiv model, der fungerer godt i den virkelige verden kræver en intim viden om virksomheden. Din model begynder at kende kun eksempeldataene - praktisk taget næsten ingenting. Så start små og fortsæt med at forbedre modellen efter behov.

Prøvning af mulige spørgsmål og scenarier kan føre til nøgleopdagelser og / eller kan kaste lysere på de faktorer, der spiller i den virkelige verden. Denne proces kan identificere de kernevariabler, som kan påvirke analysens udfald.

I en systematisk tilgang til prædiktiv analyse er denne fase - udforskning af "what-if" scenarier - særligt interessant og nyttigt. Her er hvor du ændrer modelindgangene til at måle effekterne af en variabel eller en anden på modelens udgang; Hvad du virkelig tester, er dens prognosticeringsevne.

Forbedring af modelens antagelser - ved at teste hvordan de påvirker modelens output, probing at se, hvor følsom modellen er for dem, og parring dem ned til det mindste - hjælper dig med at guide modellen mod en mere pålidelig prædiktiv kapacitet. Før du kan optimere din model, skal du kende de predictive variables - funktioner der har direkte indflydelse på dens output.

Du kan udlede disse beslutningsvariabler ved at køre flere simuleringer af din model - mens du ændrer et par parametre med hver runde - og registrerer resultaterne, især nøjagtigheden af ​​modelens prognoser. Normalt kan du spore variationer i nøjagtighed tilbage til de specifikke parametre, du ændrede.

På dette tidspunkt kan det enogtyvende århundrede vende sig til den fjortende for hjælp. William of Ockham, en engelsk franciskanske friar og skolistiske filosof, der levede i 1300'erne, udviklede forskningsprincippet kendt som Occam's Razor: Du skal skære unødvendige antagelser til din teori har så få af dem som muligt. Så er det sandsynligt at være sandt.

For mange antagelser afvejer modelens prognoser med usikkerheder og unøjagtigheder.At eliminere unødvendige variabler fører til en mere robust model, men det er ikke let at bestemme hvilke variabler der skal inkluderes i analysen - og disse beslutninger har direkte indvirkning på modelens ydeevne.

Men her er hvor analytikeren kan løbe ind i et dilemma: Inklusive unødvendige faktorer kan skæv eller forvrænger modelens udgang, men udelukker en relevant variabel, der efterlader modellen ufuldstændig.

Så når det kommer tid til at vælge disse vigtige beslutningsvariabler, skal du ringe til dine eksperteksperter på dit domæne. Når du har et præcist, realitetsbaseret sæt beslutningsvariabler, behøver du ikke lave for mange forudsætninger - og resultatet kan være færre fejl i din prædiktive model.