Nivel: Intermedio
Tony Cooper, consultor analítico principal, SAS
Sam Edgemon, consultor analítico principal, SAS
El aprendizaje automático consiste en crear modelos predictivos. Si el objetivo (es decir, la respuesta) es nominal, un buen modelo maximizará los verdaderos positivos y minimizará los falsos positivos. Los experimentos diseñados utilizan muchos de los mismos algoritmos analíticos, pero se centran en la causalidad y la fórmula adecuada para el éxito. Los usuarios de JMP pueden estar más acostumbrados a este paradigma y, a menudo, al analizar los modelos, se preguntan: "¿Por qué la predicción es tan alta? ¿Cómo podemos mejorarla? ¿Qué es importante para el negocio?". Estas preguntas exigen que los modelos predictivos se vuelvan explicativos y, por lo tanto, pueden ser difíciles de responder; problemas como los rangos restringidos de las variables y la multicolinealidad pueden dificultar la transición de un modelo predictivo a uno explicativo. Además, los resúmenes numéricos de los modelos no animan a los expertos en la materia a plantearse preguntas. La diferencia entre un modelo predictivo y un análisis de causa raíz puede pasarse por alto; sin embargo, sabemos que la correlación no implica causalidad. El arte de explicar los datos se está perdiendo en la búsqueda de técnicas de modelado avanzadas. El sencillo Profiler de JMP es una herramienta poderosa para que los modelos hablen. Esta presentación nos recuerda que, incluso para un minero de datos, es el Profiler y el Graph Builder los que marcarán la diferencia.
