Niveau: Mittelstufe
Tony Cooper, leitender analytischer Berater, SAS
Sam Edgemon, Principal Analytical Consultant, SAS
Maschinelles Lernen dient der Erstellung prädiktiver Modelle. Ist das Ziel (die Antwort) nominal, maximiert ein gutes Modell die Anzahl der richtig positiven Ergebnisse und minimiert die Anzahl der falsch positiven. Planbare Experimente verwenden viele der gleichen Analysealgorithmen, der Fokus liegt jedoch auf Kausalität und dem passenden Erfolgsrezept. JMP-Anwender sind möglicherweise eher an dieses Paradigma gewöhnt und betrachten Modelle häufig mit der Frage: „Warum ist die Vorhersage so hoch? Wie können wir sie verbessern? Was ist für das Unternehmen wichtig?“ Diese Fragen erfordern, dass prädiktive Modelle erklärend werden, und sind daher oft schwer zu beantworten. Probleme wie eingeschränkte Variablenbereiche und Multikollinearität können den Übergang von einem prädiktiven zu einem erklärenden Modell erschweren. Darüber hinaus ermutigen numerische Zusammenfassungen von Modellen Fachexperten nicht, Fragen zu stellen. Der Unterschied zwischen einem prädiktiven Modell und einer Ursachenanalyse kann übersehen werden; wir wissen jedoch, dass Korrelation nicht zwangsläufig Kausalität bedeutet. Die Kunst, Daten zu erklären, geht im Streben nach fortschrittlichen Modellierungstechniken verloren. Der einfache Profiler in JMP ist ein leistungsstarkes Werkzeug, um Modelle zum Sprechen zu bringen. Diese Präsentation erinnert uns daran, dass selbst für einen Data Miner der Profiler und der Graph Builder den Unterschied ausmachen.
