영국 관객에게 편리한 시간에 제공되는 더 나은 모델 만들기에 대한 두 개의 향후 웹 캐스트가 있습니다.
당신이 처음이라면 JMP Pro , 웹 캐스트를 보려면 2014 년 10 월 21 일 .이미 JMP Pro를 사용하고 있다면 웹 캐스트 2014 년 10 월 31 일 너에게 잘 어울릴거야.이 웹 캐스트는 예측 모델링 기술을 이해하는 데 도움이됩니다. 오늘날의 데이터 중심 조직은 다음과 같은 다양한 모델링 기법을 필요로합니다. 부트 스트랩 포레스트 (무작위 - 포레스트 기법) 과 부분 최소 제곱 (PLS) 둘 다 많은 상관 변수가있는 수치 데이터의 변수 감소에 특히 적합합니다. 예를 들어, 일부 조직은 응답의 잠재적 인 예측자를 다양하게 다루므로 때로는 수천 명이 넘습니다. 부트 스트랩 포레스트 (Bootstrap Forest)와 PLS는 분석가가 신호와 노이즈를 분리하는 데 도움을 줄 수 있으며 소수의 중요한 변수를 찾을 수 있습니다.
다른 조직에서는 고객 세분화 문제를 처리합니다. 그들은 다음과 같은 기법을 사용할 필요가 있습니다. 클러스터 분석 , 의사 결정 나무 과 주성분 분석 (PCA) . 의사 결정 트리는 변수 선택에 특히 좋습니다. 다양한 모델링 기법을 사용하면 다양한 변수를 선택할 수 있으므로 숨겨진 운전자에 대한 유용한 통찰력을 얻을 수 있습니다.
소비자 데이터는 악명 높다. 어질러 놓은 , 가치가없는 값, 이상 치 및 경우에 따라 상관 관계가있는 변수가 포함됩니다. 누락 값은 모델을 빌드 할 때 공통 회귀 기술이 불완전한 행을 제외하기 때문에 실제 문제 일 수 있습니다. 이 "실종"자체는 의미가있을 수 있으므로 유익한 누락 기술의 중요성을 이해하면 더 나은 모델을 만들 수 있습니다. 일부 기법 (예 : 부트 스트랩 포리스트 과 일반 회귀 지저분한 데이터를 완벽하게 처리합니다.
더 나은 모델을 구축하기위한 중요한 단계는 홀드 백 기술 새로운 데이터에 대한 좋은 예측을 제공하는 모델을 구축하고 모델을 작성하는 데 사용 된 데이터를 설명합니다. 모델의 유효성을 검사하기 위해 데이터를 보류하면 모델을 정직하게 유지할 수 있습니다. 과핑 보다 정확한 모델을 만들 수 있습니다.
애널리스트들은 자신의 모델을 임원에게 설명 할 수있는 장애물이 있습니다. "what if"또는 시나리오 분석 그에 따라 그들에게 커밋하기 전에 결정을 탐구합니다. 이를 수행하는 강력한 방법은 모델을 동적으로 프로파일 링하는 것입니다. 기업이 최상의 모델을 선택하면 점수에 모델을 배치한다. 기존 부서 및 신규 부서가 서로 다른 부서에서 적절한 조치를 취할 수 있도록합니다.
이 중 하나를 위해 우리와 함께 할 수 있기를 바랍니다. 라이브 프리젠 테이션 여기에서는 사례 연구를 사용하여 예측 모델링 기법을 사용하는 방법을 보여줍니다.
