Abbiamo due webcast in arrivo su Building Better Models presentati a volte convenienti per un pubblico britannico:
Se sei nuovo JMP Pro , vorrai vedere il webcast su 21 ottobre 2014 .Se stai già utilizzando JMP Pro, il webcast è attivo 31 ottobre 2014 ti andrà bene.Questi webcast ti aiuteranno a comprendere le tecniche per la modellazione predittiva. Le organizzazioni odierne basate sui dati scoprono di aver bisogno di una gamma di tecniche di modellazione, come ad esempio foresta di bootstrap (una tecnica a foresta casuale) e minimi quadrati parziali (PLS) , entrambi sono particolarmente adatti per la riduzione variabile di dati numerici con molte variabili correlate. Ad esempio, alcune organizzazioni trattano una moltitudine di potenziali fattori predittivi di una risposta, talvolta numerati in migliaia. Bootstrap forest e PLS possono aiutare gli analisti a separare il segnale dal rumore e trovare la manciata di variabili importanti.
Altre organizzazioni affrontano il problema della segmentazione dei clienti. Potrebbero aver bisogno di impiegare tecniche tra cui analisi di gruppo , alberi decisionali e analisi delle componenti principali (PCA) . Gli alberi decisionali sono particolarmente adatti alla selezione variabile. L'utilizzo di una varietà di tecniche di modellazione può portare a una diversa selezione di variabili, che può fornire utili informazioni sui fattori nascosti del comportamento.
I dati dei consumatori sono notoriamente disordinato , con valori mancanti, valori anomali e in alcuni casi variabili correlate. I valori mancanti possono essere un problema reale poiché le tecniche di regressione comuni escludono le righe incomplete durante la creazione dei modelli. Questa "mancanza" stessa può essere significativa, quindi usare mancante informativo le tecniche per comprenderne l'importanza possono aiutarti a creare modelli migliori. Alcune tecniche, come foresta di bootstrap e regressione generalizzata , gestire i dati disordinati senza problemi.
Un passo fondamentale nella costruzione di modelli migliori è da utilizzare tecniche di holdback per costruire modelli che forniscono buone previsioni per i nuovi dati, nonché per descrivere i dati utilizzati per costruire i modelli. Trattenere i dati per convalidare i modelli aiuta a mantenere il modello onesto evitando overfitting e creando un modello più accurato.
Gli analisti devono affrontare un grosso ostacolo nello spiegare i loro modelli ai dirigenti in un modo che consente loro di fare "what if" o analisi dello scenario , esplorando così le decisioni prima di impegnarsi con loro. Un modo efficace per fare ciò è profilare dinamicamente i modelli. Una volta che le aziende hanno selezionato il modello migliore, spesso lo desiderano distribuire i modelli per segnare dati esistenti e nuovi in modo che i diversi dipartimenti possano intraprendere azioni appropriate.
Spero che tu possa unirti a noi per uno di questi presentazioni dal vivo dove dimostreremo come usare queste tecniche di modellazione predittiva usando casi di studio.
