Prediktiv modellering är den tekniska kärnan i prediktiv analys: exempeldata med kända utfall används för att bygga en modell som förutsäger ett värde eller en klass för nya fall. Vanliga metoder är regression, beslutsträd, random forests och neurala nätverk. En modell kan till exempel uppskatta ett fastighetspris utifrån boyta, läge och byggår. Före driftsättning testas den på bortlagda data för att upptäcka överanpassning.
Prediktiv analys använder historiska data, statistik och maskininlärning för att uppskatta sannolika framtida händelser. Den besvarar frågor som: vilka kunder är på väg att säga upp sig? Hur stort lager behövs nästa månad? När kommer en maskin sannolikt att haverera? Resultaten är sannolikheter, inte säkerheter. Deras värde beror i hög grad på datakvaliteten och på om förutsägelserna faktiskt påverkar beslut och processer.
Linjär regression är en statistisk metod som beskriver sambandet mellan en målvariabel och en eller flera prediktorer med en rät linje eller ett plan. Koefficienterna väljs vanligtvis så att summan av de kvadrerade avvikelserna minimeras. Metoden är lätt att förstå och tolka: den kan till exempel uppskatta hur mycket intäkterna stiger när reklambudgeten ökar med 1 000 kr. Den når sina gränser vid icke-linjära samband.
Random forest-regression förutsäger numeriska värden genom att kombinera många beslutsträd. Varje träd tränas på ett slumpmässigt urval av data och ett slumpmässigt urval av särdrag; resultatet är medelvärdet av allaträds förutsägelser. Det gör metoden robustare och mindre benägen för överanpassning än ett enskilt träd. Den används till exempel för försäljningsprognoser, prisuppskattningar eller energibehov – ofta som en stabil utgångspunkt för tabelldata.
Korsvalidering är en metod för att kontrollera hur väl en modell generaliserar till nya, osedda data. Vid k-faldig korsvalidering delas data upp i k delar; modellen tränas k gånger på k−1 delar och testas varje gång på den återstående delen, varefter resultaten medelvärdesbildas. Det hjälper till att upptäcka överanpassning och att jämföra modeller eller inställningar rättvist, särskilt när det finns lite data.
