我們有兩個即將推出的關於建立更好模型的網絡廣播，方便英國觀眾：
如果你是新手 JMP Pro ，您將要查看網絡廣播 2014年10月21日 。如果您已經在使用JMP Pro，則進行網絡直播 2014年10月31日最適合你。這些網絡廣播將幫助您了解預測建模的技術。今天的數據驅動型組織發現他們需要一系列建模技術，例如引導森林（隨機森林技術） 和偏最小二乘法（PLS） 兩者都特別適用於具有許多相關變量的數值數據的變量減少。例如，一些組織處理大量響應的潛在預測因子，有時會成千上萬。Bootstrap森林和PLS可以幫助分析師將信號與噪聲分開，並找到少數重要變量。
其他組織處理客戶細分問題。他們可能需要採用包括的技術聚類分析 ，決策樹和主成分分析（PCA） 。決策樹特別適合變量選擇。使用各種建模技術可以產生不同的變量選擇，這可以提供有用的洞察行為的隱藏驅動因素。
消費者數據是出了名的亂 ，缺失值，異常值以及在某些情況下相關的變量。缺少值可能是一個真正的問題，因為常見的回歸技術在構建模型時會排除不完整的行。這種“缺失”本身可能是有意義的，所以使用信息缺失了解其重要性的技巧可以幫助您創建更好的模型。一些技巧，如引導森林和廣義回歸 ，無縫處理凌亂的數據。
建立更好的模型的關鍵步驟是使用阻礙技術構建可以很好地預測新數據的模型，以及描述用於構建模型的數據。阻止數據驗證模型有助於通過避免使模型保持誠實過度擬合並創建一個更準確的模型。
分析師面臨著一個主要障礙，即以一種能夠讓他們做到的方式向高管解釋他們的模型 “假設”或情景分析從而在承諾之前探索決策。一種強有力的方法是動態分析模型。一旦公司選擇了最好的模型，他們通常會想要部署模型進行評分現有的和新的數據，以便不同的部門可以採取適當的行動。
我希望你能加入我們中的一個現場演示我們將使用案例研究演示如何使用這些預測建模技術。
