Tenemos dos próximos webcasts sobre la construcción de mejores modelos presentados en horarios convenientes para una audiencia del Reino Unido:
Si eres nuevo en JMP Pro , querrás ver el webcast en 21 de octubre de 2014 .Si ya está utilizando JMP Pro, el webcast en 31 de octubre de 2014 le conviene mejor.Estas transmisiones por Internet lo ayudarán a comprender las técnicas para el modelado predictivo. Las organizaciones actuales basadas en datos encuentran que necesitan una variedad de técnicas de modelado, como bootstrap forest (una técnica de bosque aleatorio) y mínimos cuadrados parciales (PLS) , los cuales son particularmente adecuados para la reducción de variables para datos numéricos con muchas variables correlacionadas. Por ejemplo, algunas organizaciones se enfrentan a una multitud de predictores potenciales de una respuesta, a veces sumando miles. Bootstrap forest y PLS pueden ayudar a los analistas a separar la señal del ruido y encontrar un puñado de variables importantes.
Otras organizaciones se ocupan del problema de la segmentación de clientes. Es posible que necesiten emplear técnicas que incluyen análisis de conglomerados , árboles de decisión y Análisis de componentes principales (PCA) . Los árboles de decisión son particularmente buenos para la selección de variables. El uso de una variedad de técnicas de modelado puede resultar en una selección diferente de variables, lo que puede proporcionar una visión útil de los factores ocultos de comportamiento.
Los datos del consumidor son notoriamente sucio , con valores faltantes, valores atípicos y en algunos casos variables que están correlacionadas. Los valores faltantes pueden ser un problema real porque las técnicas de regresión comunes excluyen filas incompletas al construir los modelos. Esta "falta" en sí misma puede ser significativa, por lo que usar falta informativa Las técnicas para entender su importancia pueden ayudarte a crear mejores modelos. Algunas técnicas, tales como bosque de arranque y regresión generalizada , maneja los datos desordenados a la perfección.
Un paso crítico en la construcción de mejores modelos es usar técnicas de retención para construir modelos que ofrezcan buenas predicciones para nuevos datos, así como describir los datos utilizados para construir los modelos. Retener datos para validar modelos ayuda a mantener el modelo honesto al evitar sobreajuste y creando un modelo más preciso.
Los analistas enfrentan un gran obstáculo para explicar sus modelos a los ejecutivos de una manera que les permita hacerlo. "qué pasa si" o análisis de escenarios , explorando así las decisiones antes de comprometerse con ellas. Una forma poderosa de hacer esto es perfilando dinámicamente los modelos. Una vez que las empresas han seleccionado el mejor modelo, a menudo quieren desplegar los modelos para puntuar Datos existentes y nuevos para que diferentes departamentos puedan tomar las acciones apropiadas.
Espero que puedas unirte a uno de estos. presentaciones en vivo donde demostraremos cómo usar estas técnicas de modelado predictivo utilizando estudios de caso.
