Δημιουργία προγνωστικού μοντέλου Analytics - dummies

Μέρος του προγνωστικού Analytics για τα Dummies Cheat Sheet

Ένα επιτυχημένο πρόγραμμα αναλυτικής πρόβλεψης εκτελείται βήμα προς βήμα. Καθώς βυθίζεστε στις λεπτομέρειες του έργου, παρακολουθήστε αυτά τα σημαντικά ορόσημα:

1. Ορισμός Επιχειρηματικών Στόχων

   Το έργο αρχίζει με τη χρήση ενός καλά καθορισμένου επιχειρηματικού στόχου. Το μοντέλο υποτίθεται ότι απευθύνεται σε μια επιχειρηματική ερώτηση. Σαφώς δηλώνοντας ότι αυτός ο στόχος θα σας επιτρέψει να καθορίσετε το πεδίο εφαρμογής του έργου σας και θα σας παράσχει την ακριβή δοκιμή για να μετρήσετε την επιτυχία του.

2. Προετοιμασία δεδομένων

   Θα χρησιμοποιήσετε ιστορικά δεδομένα για την εκπαίδευση του μοντέλου σας. Τα δεδομένα συνήθως διασκορπίζονται σε πολλαπλές πηγές και μπορεί να απαιτούν καθαρισμό και προετοιμασία. Τα δεδομένα ενδέχεται να περιέχουν διπλές εγγραφές και απογραφές. ανάλογα με την ανάλυση και τον επιχειρησιακό στόχο, αποφασίζετε αν θα τα κρατήσετε ή θα τα αφαιρέσετε. Επίσης, τα δεδομένα θα μπορούσαν να έχουν ελλείπουσες τιμές, μπορεί να χρειαστεί να υποστούν κάποια μετατροπή και μπορεί να χρησιμοποιηθούν για τη δημιουργία παράγωγων χαρακτηριστικών που έχουν περισσότερη προβλεπτική ισχύ για τον στόχο σας. Συνολικά, η ποιότητα των δεδομένων υποδηλώνει την ποιότητα του μοντέλου.

3. Δειγματοληψία των δεδομένων σας

   Θα χρειαστεί να χωρίσετε τα δεδομένα σας σε δύο ομάδες: σύνολα δεδομένων κατάρτισης και δοκιμών. Δημιουργείτε το μοντέλο χρησιμοποιώντας το σύνολο δεδομένων κατάρτισης. Χρησιμοποιείτε το σετ δεδομένων δοκιμής για να επαληθεύσετε την ακρίβεια της απόδοσης του μοντέλου. Αυτό είναι απολύτως κρίσιμο. Διαφορετικά κινδυνεύετε να υποβαθμίσετε το μοντέλο σας - εκπαιδεύοντας το μοντέλο με ένα περιορισμένο σύνολο δεδομένων, μέχρι το σημείο που επιλέγει όλα τα χαρακτηριστικά (τόσο το σήμα όσο και το θόρυβο) που ισχύουν μόνο για το συγκεκριμένο σύνολο δεδομένων. Ένα μοντέλο που είναι υπερτιμημένο για ένα συγκεκριμένο σύνολο δεδομένων θα εκτελέσει δυστυχώς όταν το εκτελείτε σε άλλα σύνολα δεδομένων. Ένα σύνολο δεδομένων δοκιμής εξασφαλίζει έναν έγκυρο τρόπο για την ακριβή μέτρηση της απόδοσης του μοντέλου σας.

   Δημιουργία του μοντέλου

4. Μερικές φορές τα δεδομένα ή οι επιχειρηματικοί στόχοι προσφέρονται για έναν συγκεκριμένο αλγόριθμο ή μοντέλο. Άλλες φορές η καλύτερη προσέγγιση δεν είναι τόσο ξεκάθαρη. Καθώς εξερευνάτε τα δεδομένα, εκτελέστε όσο περισσότερους αλγορίθμους μπορείτε. συγκρίνουν τις αποδόσεις τους. Βάση της επιλογής σας για το τελικό μοντέλο στα συνολικά αποτελέσματα. Μερικές φορές είστε καλύτερα να τρέχετε ένα σύνολο μοντέλων ταυτόχρονα με τα δεδομένα και επιλέγοντας ένα τελικό μοντέλο συγκρίνοντας τις αποδόσεις τους.

   Ανάπτυξη του μοντέλου

5. Μετά την κατασκευή του μοντέλου, πρέπει να το αναπτύξετε για να αποκομίσετε τα οφέλη του. Η διαδικασία αυτή μπορεί να απαιτεί συντονισμό με άλλα τμήματα. Στόχος είναι η οικοδόμηση ενός αναπτυσσόμενου μοντέλου. Επίσης, βεβαιωθείτε ότι γνωρίζετε πώς να παρουσιάσετε τα αποτελέσματά σας στους εμπλεκόμενους φορείς με τρόπο κατανοητό και πειστικό, ώστε να υιοθετήσουν το μοντέλο σας.Αφού αναπτυχθεί το μοντέλο, θα πρέπει να παρακολουθήσετε την απόδοσή του και να συνεχίσετε να το βελτιώνετε. Τα περισσότερα μοντέλα αποσυντίθενται μετά από ορισμένο χρονικό διάστημα. Κρατήστε το μοντέλο σας ενημερωμένο, ανανεώνοντάς το με νέα διαθέσιμα δεδομένα.