A prediktív modellezés a prediktív analitika technikai magja: ismert eredményű példaadatokból olyan modellt építenek, amely új esetekre értéket vagy osztályt jósol. Gyakori módszerek a regresszió, a döntési fák, a véletlen erdők és a neurális hálózatok. Egy modell például egy ingatlan árát becsülheti az alapterületből, a fekvésből és az építési évből. Az üzembe helyezés előtt visszatartott adatokon tesztelik, hogy kiszűrjék a túlillesztést.
Ügynökök, munkafolyamatok és sablonok egyetlen munkaterületen – ingyenes, 24 órás demó.
Demó indításaA prediktív analitika történeti adatokat, statisztikát és gépi tanulást használ a valószínű jövőbeli események becslésére. Olyan kérdésekre ad választ, mint: mely ügyfelek készülnek lemondani? Mennyi készletre lesz szükség a következő hónapban? Mikor valószínű egy gép meghibásodása? Az eredmények valószínűségek, nem bizonyosságok. Értékük nagymértékben függ az adatok minőségétől, és attól, hogy az előrejelzések ténylegesen beépülnek-e a döntésekbe és a folyamatokba.
A lineáris regresszió olyan statisztikai módszer, amely egy célváltozó és egy vagy több magyarázó változó közötti kapcsolatot egyenessel vagy síkkal írja le. Az együtthatókat általában úgy választják meg, hogy a négyzetes eltérések összege minimális legyen. A módszer könnyen érthető és értelmezhető: például megbecsülhető vele, mennyivel nő a bevétel, ha a reklámköltségvetés 1000 euróval nő. Nemlineáris összefüggéseknél eléri a határait.
A véletlen erdő regresszió számértékeket jelez előre úgy, hogy sok döntési fát kombinál. Minden fát az adatok egy véletlen mintáján és a jellemzők véletlen kiválasztásán tanítanak; az eredmény az összes fa előrejelzésének átlaga. Ez a módszert robusztusabbá és az egyetlen fánál kevésbé túlillesztésre hajlamossá teszi. Használják például értékesítési előrejelzésekhez, árbecslésekhez vagy energiaigény-becsléshez – táblázatos adatoknál gyakran megbízható kiindulópontként.
A keresztvalidáció olyan módszer, amellyel ellenőrizhető, mennyire jól általánosít egy modell új, nem látott adatokra. A k-szoros keresztvalidációban az adatokat k részre osztják; a modellt k alkalommal tanítják k−1 részen, és minden alkalommal a megmaradt részen tesztelik, majd az eredményeket átlagolják. Ez segít felismerni a túlillesztést, és tisztességesen összehasonlítani modelleket vagy beállításokat, különösen kevés adat esetén.
