Predictive modelling er den tekniske kerne i predictive analytics: eksempeldata med kendte udfald bruges til at bygge en model, der forudsiger en værdi eller klasse for nye tilfælde. Almindelige metoder er regression, beslutningstræer, random forests og neurale netværk. En model kan f.eks. vurdere en ejendomspris ud fra boligareal, beliggenhed og byggeår. Før den tages i brug, testes den på tilbageholdte data for at opdage overfitting.
Predictive analytics bruger historiske data, statistik og machine learning til at vurdere sandsynlige fremtidige begivenheder. Det besvarer spørgsmål som: Hvilke kunder er på vej til at opsige? Hvor stort lager får vi brug for næste måned? Hvornår går en maskine sandsynligvis i stykker? Resultaterne er sandsynligheder, ikke sikkerheder. Deres værdi afhænger i høj grad af datakvaliteten og af, om forudsigelserne rent faktisk indgår i beslutninger og processer.
Lineær regression er en statistisk metode, der beskriver sammenhængen mellem en målvariabel og en eller flere prædiktorer ved hjælp af en ret linje eller et plan. Koefficienterne vælges som regel, så summen af de kvadrerede afvigelser bliver mindst mulig. Metoden er let at forstå og fortolke: Den kan f.eks. estimere, hvor meget omsætningen stiger, når reklamebudgettet øges med 1.000 €. Den når sine grænser ved ikke-lineære sammenhænge.
Random forest-regression forudsiger numeriske værdier ved at kombinere mange beslutningstræer. Hvert træ trænes på en tilfældig stikprøve af dataene og et tilfældigt udvalg af features; resultatet er gennemsnittet af alle træernes forudsigelser. Det gør metoden mere robust og mindre tilbøjelig til overfitting end et enkelt træ. Den bruges f.eks. til salgsprognoser, prisvurderinger eller energibehov – ofte som et solidt udgangspunkt for tabeldata.
Krydsvalidering er en metode til at kontrollere, hvor godt en model generaliserer til nye, usete data. Ved k-fold-krydsvalidering deles data i k dele; modellen trænes k gange på k−1 dele og testes hver gang på den resterende del, hvorefter resultaterne gennemsnitsberegnes. Det hjælper med at opdage overfitting og sammenligne modeller eller indstillinger fair, især når der er få data.
