Where should I invest to maximize profits?Where should I invest to maximize profits?Where should I invest to maximize profits?Where should I invest to maximize profits?利益を最大化するにはどこに投資すればよいでしょうか?あなたは昨年、データの収集、データの再構築、関係性の分析、パラメーターの微調整に費やしました。 あなたは懸命に働き、そのすべての専門知識を集約して、会社が 1,000 万ドルの資産をどこに使うかを決定するために使用する堅牢な予測モデルを構築しました。 あなたは自分の決断にどれくらい自信がありますか? 考えられるすべてのシナリオ、要因、制約を考慮しましたか? 何かを見逃している可能性はありますか?
不確実性の世界へようこそ。そこでは、最も経験豊富なデータ専門家でも、未知のせいで夜も眠れなくなります。 それは、何が分からないのか分からず、予期せぬ影響や結果を見逃すことへの恐怖であり、単純な予測モデルが組織にとって最悪の悪夢に変わる可能性があります。
最新の人工知能アルゴリズムを活用しているか、従来の回帰手法を使用しているかにかかわらず、モデルには常にある程度の不確実性が存在します。
それは避けられないので、問題は「不確実性を最小限に抑え、軽減できるか?」ということになります。 もちろん、予測の精度を高め、モデルの不確実性を減らすことが証明されているいくつかの簡単な戦略を組み込むことで、この問題を大幅に削減できると私は信じています。
データサンプルに関する不確実性
まず、予測モデルには多くの不確実性の原因があることを認識し、理解する必要があります。 データの変動、モデリング手法、予測子の選択はすべて、モデルのパフォーマンスに影響します。 この説明では、データ サンプルに関連する不確実性に注目してみましょう。 データセットの品質は、予測の精度において重要な役割を果たします。 データは予測モデルの燃料です。 そして、ほとんどのシナリオでは、モデルに供給できる量が増えるほど、精度を向上させる能力が高まります。 しかし、何事にもコストがかかり、大規模なデータセットの収集には費用と時間がかかる場合があります。 この制約を考慮すると、Day Zero における最善の戦略は、次の方法を使用してデータ収集計画を立てることです。実験計画法 (DOE)関係を正確にモデル化するために必要な要因と変動の組み合わせを捉える重要なデータを事前に収集します。
残念ながら、ほとんどの企業はこの方法を採用せず、モデルを強化するために収集段階の後に追加データがどうしても必要になることに気づきます。 そう思いますか？ さらにデータを収集するための予算がなくなったらどうすればよいでしょうか? 心配する必要はありません。
データを充実させる 3 つのテクニック
新しいデータ ポイントの収集に追加のリソースを投資することなく、データを強化し、モデルの精度を取り戻すことが証明されている 3 つの迅速かつ簡単なテクニック (ブートストラッピング、モンテカルロ) の形で支援がすぐ近くにあることを知ってうれしいでしょう。シミュレーションと代入。
ブートストラップ:データ内のランダムな観測値を繰り返しサンプリングして新しい「ブートストラップ」データセットを生成し、モデル推定値のより適切な近似を提供する単純な手法。
このテクニックを実際に見てみましょう。 以下の例では、モデル パラメーター (透過性) を調査し、その信頼区間 0.010 と 0.108 がこの変数の理論的限界を正確に表現しているかどうかを判断したいと思います。 この質問に答えると、透過性とモデル応答の関係をより深く理解できるようになります。
Original confidence limits for permeability are 0.010 and 0.108Original confidence limits for permeability are 0.010 and 0.108Original confidence limits for permeability are 0.010 and 0.108Original confidence limits for permeability are 0.010 and 0.108透過性の元の信頼限界は 0.010 と 0.108 です。
New bootsrap limits of 0.019 and 0.119 reflect a more accurate estimate of actual valuesNew bootsrap limits of 0.019 and 0.119 reflect a more accurate estimate of actual valuesNew bootsrap limits of 0.019 and 0.119 reflect a more accurate estimate of actual valuesNew bootsrap limits of 0.019 and 0.119 reflect a more accurate estimate of actual values新しいブートストラップ制限値 0.019 および 0.119 は、実際の値のより正確な推定値を反映しています。
使用するJMP , 2500 個のブートストラップ サンプルを生成して、新しい信頼区間 0.019 と 0.119 を計算します。 ブートストラップ限界は、元の限界である 0.010 および 0.108 よりも大きくなっています。これは、透過性と予測される応答の間の関係が、実際には以前に推定されていたよりも強いことを示唆しています。 この新しい洞察を利用して、モデルの係数を調整して不確実性を軽減し、実際に予想される結果により一致した推定値を生成することができます。
モンテカルロ シミュレーション:ランダムな変動の分布を使用して予測結果の堅牢な推定値を生成し、モデル データの不確実性をより適切に考慮します。
この 2 番目の手法をサンプル データ セットに適用してみましょう。 一連の条件に対して予想される応答 (例: REC=847.805) を推定できる従来のモデルを作成しました。 これらの推定値の予測応答と信頼区間を計算することはできますが、計算できないのは、因子間で通常観察される現実世界の変動を組み込んだ結果です。 JMP のシミュレーター オプションを使用することにより、因子をランダム分布としてモデル化し、期待される応答値のより正確な推定値を生成できるようになりました。 この例では、モンテカルロ シミュレーションにより、応答値の約 25% が下限の 750 を超えていることがわかります。 このより正確に定量化されたリスク レベルにより、複数のシナリオをシミュレーションし、それに応じてそれぞれの結果を比較検討し、より多くの情報に基づいたビジネス上の意思決定を行うことができます。
Monte Carlo simulation of predictor variables allows for risk analysis under varying conditionsMonte Carlo simulation of predictor variables allows for risk analysis under varying conditionsMonte Carlo simulation of predictor variables allows for risk analysis under varying conditionsMonte Carlo simulation of predictor variables allows for risk analysis under varying conditions予測変数のモンテカルロ シミュレーションにより、さまざまな条件下でのリスク分析が可能になります
代入:計算結果の欠落データを置き換えるために使用されるデータ置換技術。
実際のデータには欠損値が存在することがありますが、私のサンプル データセットも例外ではありません。 センサーに問題があったためにデータが収集されなかったエントリがいくつか含まれています。 残念ながら、これらの値が省略されたため、現在はいかなる分析からも破棄されており、データセットが完全であれば得られたであろう将来の洞察を失うことになります。 代入を使用することで、 JMP 、これらの欠落しているエントリの値を推定し、予測の信頼性を高めることができるようになりました。 代入は多くの手法を使用して実行できます。という方法を選択しました多変量 SVD 代入14 個の欠落エントリの値を予測します。 代入データは実際のデータではありませんが、他の方法では実行できない分析を実行する手段を提供することに注意してください。 欠損データを補完することで、予測変数推定の精度が向上し、収集したデータをすべて活用できるようになりました。
Results of 14 imputed values allow for estimation of missing dataResults of 14 imputed values allow for estimation of missing dataResults of 14 imputed values allow for estimation of missing dataResults of 14 imputed values allow for estimation of missing data14 個の代入値の結果により、欠損データの推定が可能になります
見積もりを改善し、不確実性を軽減する
ブートストラッピング、モンテカルロ シミュレーション、代入。 以上です。既存のデータ セットに実装できる 3 つの迅速かつ簡単なテクニックを使用すると、結果の品質が向上し、予測精度が大幅に向上します。 予測モデルは、ビッグデータの時代にユースケースがますます増加している驚くべきものです。 堅牢性と精度の向上を目的としたモデリング オプションとアルゴリズムの進歩にも関わらず、パフォーマンスはモデルに供給するデータの品質によって左右され続けています。
理想的な世界では、不確実性は存在せず、データが完璧な予測への道を照らすことになります。 しかし、実際のデータは私たちが何を考えているかを気にしないことを私たちは知っています。 それは乱雑で欠陥があり、対処するのが難しいため、ツールボックスにいくつかの新しいツールを投入して、この課題に立ち向かいましょう。 未知のことで夜も眠れないようにしましょう。 これらの戦略を積極的に活用して見積もりを改善し、不確実性を軽減し、可能な限り最善のビジネス上の意思決定を行っているという自信を維持してください。
これらのテクニックは情報の品質に関係します。 データと目標を考慮すると、生成する情報の品質を向上させるのに役立ちます。
例と演習を含むブートストラップの概要については、次のリンクを参照してください。
ブートストラップの入門用
情報品質の概要については、このリンクを参照してください。 :
情報品質の概要 (InfoQ)
情報品質を評価するための JMP アドインについては (InfoQ) を参照してください。 InfoQ を評価するための JMP アドイン
