Deux diffusions Web à venir sur «Construire de meilleurs modèles» sont présentées à des moments pratiques pour un public britannique:
Si vous êtes nouveau à JMP Pro , vous souhaiterez visionner le webcast sur 21 octobre 2014 .Si vous utilisez déjà JMP Pro, la diffusion Web sur 31 octobre 2014 vous conviendra le mieux.Ces webémissions vous aideront à comprendre les techniques de modélisation prédictive. Aujourd'hui, les entreprises axées sur les données ont besoin d'une gamme de techniques de modélisation, telles que forêt de bootstrap (une technique de forêt aléatoire) et moindres carrés partiels (PLS) , les deux étant particulièrement adaptés à la réduction de variable pour les données numériques comportant de nombreuses variables corrélées. Par exemple, certaines organisations traitent avec une multitude de prédicteurs potentiels d'une réponse, parfois plusieurs milliers. Bootstrap Forest et PLS peuvent aider les analystes à séparer le signal du bruit et à trouver la poignée de variables importantes.
D'autres organisations traitent du problème de la segmentation de la clientèle. Ils peuvent avoir besoin de recourir à des techniques telles que l'analyse par grappes , arbres de décision et analyse en composantes principales (ACP) . Les arbres de décision sont particulièrement utiles pour la sélection de variables. L'utilisation de diverses techniques de modélisation peut entraîner une sélection différente de variables, ce qui peut fournir des informations utiles sur les facteurs de comportement masqués.
Les données des consommateurs sont notoirement désordonné , avec des valeurs manquantes, des valeurs aberrantes et, dans certains cas, des variables corrélées. Les valeurs manquantes peuvent être un réel problème car les techniques de régression courantes excluent les lignes incomplètes lors de la construction des modèles. Ce "manque" lui-même peut avoir un sens, alors utiliser manque d'information des techniques pour comprendre son importance peuvent vous aider à créer de meilleurs modèles. Certaines techniques, telles que forêt d'amorçage et régression généralisée , gérer les données en désordre de manière transparente.
Une étape critique dans la construction de meilleurs modèles consiste à utiliser techniques de retenue pour construire des modèles qui donnent de bonnes prévisions pour les nouvelles données, ainsi que pour décrire les données utilisées pour construire les modèles. Le fait de retenir des données pour valider des modèles permet de garder le modèle honnête en évitant surapprentissage et créer un modèle plus précis.
Les analystes ont du mal à expliquer leurs modèles aux dirigeants de manière à leur permettre de "et si" ou analyse de scénario , explorant ainsi les décisions avant de s’engager à les prendre. Un moyen efficace de le faire est de profiler dynamiquement les modèles. Une fois que les entreprises ont sélectionné le meilleur modèle, elles veulent souvent déployer les modèles pour marquer données existantes et nouvelles afin que les différents départements puissent prendre les mesures appropriées.
J'espère que vous pourrez nous rejoindre pour un de ces présentations en direct où nous montrerons comment utiliser ces techniques de modélisation prédictive à l'aide d'études de cas.
