Napovedno modeliranje je tehnično jedro napovedne analitike: iz primerov podatkov z znanimi izidi se zgradi model, ki za nove primere napove vrednost ali razred. Pogoste metode so regresija, odločitvena drevesa, naključni gozdovi in nevronske mreže. Model lahko na primer oceni ceno nepremičnine na podlagi površine, lokacije in leta izgradnje. Pred uvedbo se preizkusi na zadržanih podatkih, da se odkrije preveliko prileganje.
Agenti, poteki dela in predloge v enem delovnem prostoru – brezplačna 24-urna predstavitev.
Začni predstavitevNapovedna analitika uporablja zgodovinske podatke, statistiko in strojno učenje za oceno verjetnih prihodnjih dogodkov. Odgovarja na vprašanja, kot so: katere stranke se bodo kmalu odjavile? Koliko zalog bo potrebnih naslednji mesec? Kdaj bo stroj verjetno odpovedal? Rezultati so verjetnosti, ne gotovosti. Njihova vrednost je močno odvisna od kakovosti podatkov in od tega, ali napovedi dejansko vplivajo na odločitve in procese.
Linearna regresija je statistična metoda, ki odnos med ciljno spremenljivko in enim ali več napovednikov opisuje z ravno črto ali ravnino. Koeficienti se običajno izberejo tako, da je vsota kvadratov odstopanj najmanjša. Metoda je lahko razumljiva in razložljiva: z njo je mogoče na primer oceniti, koliko naraste prihodek, ko se oglaševalski proračun poveča za 1000 €. Pri nelinearnih odnosih naleti na meje.
Regresija z naključnim gozdom napoveduje številske vrednosti s kombiniranjem številnih odločitvenih dreves. Vsako drevo se uči na naključnem vzorcu podatkov in naključni izbiri značilnic; rezultat je povprečje napovedi vseh dreves. Zaradi tega je metoda robustnejša in manj nagnjena k preveliko prileganju kot posamezno drevo. Uporablja se na primer za napovedi prodaje, ocene cen ali porabe energije – pogosto kot zanesljivo izhodišče za tabelarične podatke.
Navzkrižno preverjanje je metoda za preverjanje, kako dobro model posplošuje na nove, še nevidene podatke. Pri k-kratnem navzkrižnem preverjanju se podatki razdelijo na k delov; model se k-krat nauči na k−1 delih in vsakič preizkusi na preostalem delu, nato se rezultati povprečijo. To pomaga odkriti čezmerno prilagajanje ter pošteno primerjati modele ali nastavitve, zlasti kadar je podatkov malo.
