Slik bruker du overvåket Analytics for å trene prediktive modeller - dummies

I overvåket analyse, begge inngangene og foretrukket utgang er en del av treningsdataene. Den prediktive analysemodellen presenteres med de riktige resultatene som en del av læringsprosessen. Slik overvåket læring antar pre-klassifiserte eksempler: Målet er å få modellen til å lære av den tidligere kjente klassifiseringen, slik at den på riktig måte kan merke det neste ukjente datapunktet basert på det det har lært.

Når modellens trening er fullført, utledes en matematisk funksjon ved å undersøke treningsdataene. Denne funksjonen vil bli brukt til å merke nye datapunkter.

For at denne tilnærmingen skal fungere riktig, må treningsdataene - sammen med testdataene - velges nøye. Den utdannede modellen skal kunne forutsi riktig etikett for et nytt datapunkt raskt og presist, basert på datatypen som modellen har sett i treningsdataene.

Overvåket analyse gir noen forskjellige fordeler:

• Analytikeren har ansvaret for prosessen.

• Merking er basert på kjente klassifikasjoner.

• Merkingsfeil kan enkelt løses.

På forsiden av disse fordelene er et like stort sett potensielle ulemper:

• Eventuelle feil i treningsfasen vil bli forsterket senere.

• Klassifiseringen fra analytikeren kan ikke beskrive hele befolkningen på en tilstrekkelig måte.

• Modellen kan ikke oppdage klasser som avviger fra det opprinnelige treningssettet.

• Forutsetningen om at klyngene i dataene ikke overlapper - og at de lett kan skilles - kan ikke vise seg å være gyldige.