Sådan bruger du overvåget Analytics til at træne prædiktive modeller - dummier

i overvåget analyse, begge input og foretrukket output er en del af træningsdataene. Præventive analysemodeller præsenteres med de rigtige resultater som en del af dets læringsproces. Sådan overvåget læring forudsætter præ-klassificerede eksempler: Målet er at få modellen til at lære af den tidligere kendte klassifikation, så den kan mærke det næste ukendte datapunkt korrekt ud fra det, det har lært.

Når modelens træning er færdig, udledes en matematisk funktion ved at undersøge træningsdataene. Denne funktion vil blive brugt til at mærke nye datapunkter.

For at denne fremgangsmåde skal fungere korrekt, skal træningsdataene - sammen med testdataene - vælges omhyggeligt. Den uddannede model skal kunne forudsige den korrekte etiket for et nyt datapunkt hurtigt og præcist baseret på datatypen (e) modellen har set i træningsdataene.

Overvågede analyser giver nogle forskellige fordele:

• Analytikeren har ansvaret for processen.

• Mærkning er baseret på kendte klassifikationer.

• Mærkningsfejl kan nemt løses.

Til forsiden af ​​disse fordele er et lige så forskelligt sæt potentielle ulemper:

• Eventuelle fejl i træningsfasen styrkes senere.

• Analysatorens klassifikation må ikke beskrive hele befolkningen tilstrækkeligt.

• Modellen kan muligvis ikke registrere klasser, der afviger fra det oprindelige træningssæt.

• Forudsætningen om, at klyngerne i dataene ikke overlapper hinanden - og at de let kan adskilles - kan ikke vise sig at være gyldige.