Livello: Intermedio
Tony Cooper, consulente analitico principale, SAS
Sam Edgemon, consulente analitico principale, SAS
L'apprendimento automatico riguarda la creazione di modelli predittivi. Se l'obiettivo (ovvero la risposta) è nominale, un buon modello massimizzerà i veri positivi e ridurrà al minimo i falsi positivi. Gli esperimenti progettati utilizzeranno molti degli stessi algoritmi analitici, ma l'attenzione è sulla causalità e sulla ricetta appropriata per il successo. Gli utenti di JMP potrebbero essere più abituati a questo paradigma e spesso guardano i modelli e si chiedono: "Perché la previsione è così alta? Come possiamo migliorarla? Cosa è importante per l'azienda?" Queste domande chiedono ai modelli predittivi di diventare esplicativi e quindi possono essere difficili da rispondere; problemi come intervalli ristretti sulle variabili e multicollinearità possono rendere difficile il passaggio da un modello predittivo a un modello esplicativo. Inoltre, i riepiloghi numerici dei modelli non incoraggiano gli esperti in materia a porre domande. La differenza tra un modello predittivo e un'analisi delle cause profonde può essere trascurata; tuttavia sappiamo che la correlazione non implica causalità. L'arte di spiegare i dati si sta perdendo nella spinta verso tecniche di modellazione avanzate. L'umile Profiler in JMP è un potente strumento per far parlare i modelli. Questa presentazione ci ricorda che, anche per un data miner, sono il Profiler e il Graph Builder a fare la differenza.
