Niveau : Intermédiaire
Tony Cooper, consultant analytique principal, SAS
Sam Edgemon, consultant analytique principal, SAS
L'apprentissage automatique consiste à créer des modèles prédictifs. Si la cible (ou réponse) est nominale, un bon modèle maximisera les vrais positifs et minimisera les faux positifs. Les expériences planifiées utiliseront bon nombre des mêmes algorithmes analytiques, mais l'accent sera mis sur la causalité et la recette du succès. Les utilisateurs de JMP sont peut-être plus habitués à ce paradigme et examinent souvent les modèles en se demandant : « Pourquoi la prédiction est-elle si élevée ? Comment l'améliorer ? Qu'est-ce qui est important pour l'entreprise ? » Ces questions obligent les modèles prédictifs à devenir explicatifs et peuvent donc être difficiles à répondre. Des problèmes tels que la restriction des plages de variables et la multicolinéarité peuvent compliquer le passage d'un modèle prédictif à un modèle explicatif. De plus, les résumés numériques des modèles n'incitent pas les experts à se poser des questions. La différence entre un modèle prédictif et une analyse des causes profondes peut être négligée ; pourtant, nous savons que corrélation n'implique pas causalité. L'art d'expliquer les données se perd dans la quête de techniques de modélisation avancées. Le modeste Profiler de JMP est un outil puissant pour faire parler les modèles. Cette présentation nous rappelle que, même pour un data miner, c'est le Profiler et le Graph Builder qui feront la différence.
