Video: The Choice is Ours (2016) Official Full Version 2024
Til tross for alt du har blitt fortalt om forutsetninger som forårsaker problemer, forblir noen forutsetninger kjernen i en prediktiv analysemodell. Disse antagelsene dukker opp i variablene valgt og vurdert i analysen - og disse variablene påvirker direkte nøyaktigheten av den endelige modellens utgang.
Derfor er din klokeste forsiktighet i utgangspunktet å identifisere hvilke antagelser som er mest for din modell - og for å holde dem til et absolutt minimum.
Opprette en prediktiv modell som fungerer bra i den virkelige verden krever en intim kunnskap om virksomheten. Modellen din begynner å kun vite eksempeldataene - praktisk talt, nesten ingenting. Så start små og fortsett å forbedre modellen etter behov.
Probing av mulige spørsmål og scenarier kan føre til viktige funn og / eller kan gi mer lys på forholdene i spill i den virkelige verden. Denne prosessen kan identifisere kjernevariablene som kan påvirke utfallet av analysen.
I en systematisk tilnærming til prediktiv analyse, er denne fasen - å utforske "what-if" -scenarier - spesielt interessant og nyttig. Her er hvor du endrer modellinngangene for å måle effekten av en variabel eller en annen på utgangen av modellen; Det du virkelig tester, er dens prognoseevne.
Forbedre modellens antagelser - ved å teste hvordan de påvirker modellens utgang, probing for å se hvor sensitiv modellen er for dem, og paring dem til et minimum - hjelper deg med å lede modellen mot en mer pålitelig prediktiv evne. Før du kan optimalisere modellen din, må du kjenne prediktive variabler - funksjoner som har direkte innvirkning på utgangen.
Du kan utlede disse beslutningsvariablene ved å kjøre flere simuleringer av modellen din - mens du endrer noen parametere med hver runde - og registrerer resultatene, spesielt nøyaktigheten av modellens prognoser. Vanligvis kan du spore variasjoner i nøyaktighet tilbake til de bestemte parameterne du endret.
På dette punktet kan det tjueførste århundre vende seg til den fjortende for hjelp. William of Ockham, en engelsk franciskansk friar og skolastisk filosof, som bodde i 1300-årene, utviklet forskningsprosjektet Occam's Razor: Du bør kutte bort unødvendige forutsetninger til teorien din har så få av dem som mulig. Da er det sannsynlig å være sant.
For mange antagelser avveier modellens prognoser med usikkerhet og unøyaktigheter.Å eliminere unødvendige variabler fører til en mer robust modell, men det er ikke lett å bestemme hvilke variabler som skal inkluderes i analysen - og disse beslutningene har direkte innvirkning på modellens ytelse.
Men her er hvor analytikeren kan komme inn i et dilemma: Inkludert unødvendige faktorer kan skje eller forvride modellens utgang, men unntatt en relevant variabel forlater modellen ufullstendig.
Så når det gjelder tid til å velge de viktige beslutningsvariablene, ring inn domenes kunnskapseksperter. Når du har et nøyaktig, realitetsbasert sett av beslutningsvariabler, trenger du ikke å gjøre for mange forutsetninger - og resultatet kan være færre feil i din prediktive modell.
