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?Wo sollte ich investieren, um den Gewinn zu maximieren? Sie haben gerade das letzte Jahr damit verbracht, Daten zu sammeln, Daten umzustrukturieren, Beziehungen zu analysieren und Parameter zu optimieren. Sie haben hart gearbeitet und Ihr gesamtes Fachwissen in einem Ihrer Meinung nach robusten Prognosemodell gebündelt, das Sie nun verwenden werden, um zu bestimmen, wofür Ihr Unternehmen 10 Millionen US-Dollar seiner Vermögenswerte ausgeben wird. Wie sicher sind Sie in Ihrer Entscheidung? Haben Sie alle möglichen Szenarien, Faktoren und Einschränkungen berücksichtigt? Kann es sein, dass Sie etwas verpasst haben?
Willkommen in der Welt der Ungewissheit, in der das Unbekannte selbst den erfahrensten Datenexperten den Schlaf raubt. Es ist die Angst, nicht zu wissen, was wir nicht wissen, und einen unvorhergesehenen Effekt oder ein unvorhergesehenes Ergebnis zu verpassen, die ein einfaches Vorhersagemodell zum schlimmsten Albtraum einer Organisation machen kann.
Unabhängig davon, ob Sie die neuesten Algorithmen der künstlichen Intelligenz nutzen oder traditionelle Regressionsmethoden verwenden, wird in Ihrem Modell immer ein gewisses Maß an Unsicherheit vorhanden sein.
Da es unvermeidbar ist, stellt sich nun die Frage: Kann die Unsicherheit minimiert und abgemildert werden? Ich glaube auf jeden Fall, dass es durch die Einbeziehung einiger einfacher Strategien, die nachweislich die Genauigkeit von Vorhersagen erhöhen und die Unsicherheit in Modellen verringern, erheblich reduziert werden kann.
Unsicherheit im Zusammenhang mit der Datenstichprobe
Zunächst müssen wir erkennen und verstehen, dass es in Vorhersagemodellen viele Unsicherheitsquellen gibt. Variationen in den Daten, der Modellierungstechnik und der Prädiktorauswahl tragen alle zur Modellleistung bei. Konzentrieren wir uns bei dieser Diskussion auf die Unsicherheit im Zusammenhang mit der Datenstichprobe. Die Qualität des Datensatzes spielt eine entscheidende Rolle für die Genauigkeit einer Vorhersage. Daten sind der Treibstoff eines Vorhersagemodells. Und in den meisten Szenarien gilt: Je mehr wir das Modell füttern können, desto größer ist unsere Fähigkeit, die Genauigkeit zu verbessern. Aber alles hat seinen Preis und das Sammeln großer Datensätze kann eine teure und zeitaufwändige Angelegenheit sein. Angesichts dieser Einschränkung besteht die beste Strategie am Tag Null darin, einen Datenerfassungsplan zu erstellen Versuchsplanung (DOE) um im Vorfeld kritische Daten zu sammeln, die die Kombinationen von Faktoren und Variationen erfassen, die für eine genaue Modellierung von Beziehungen erforderlich sind.
Leider gehen die meisten diesen Weg nicht und benötigen nach der Erfassungsphase dringend zusätzliche Daten, um ihr Modell anzureichern. Klingt das nach dir? Was tun, wenn kein Budget mehr vorhanden ist, um weitere Daten zu sammeln? Kein Grund zur Sorge.
3 Techniken zur Anreicherung Ihrer Daten
Sie werden froh sein zu wissen, dass Ihnen Hilfe in Form von drei schnellen und einfachen Techniken zur Verfügung steht, mit denen Sie Ihre Daten nachweislich anreichern und die Genauigkeit Ihres Modells wiederherstellen können, ohne zusätzliche Ressourcen in die Sammlung neuer Datenpunkte investieren zu müssen: Bootstrapping, Monte Carlo Simulation und Imputation.
Bootstrapping: Eine einfache Technik, bei der wir wiederholt zufällige Beobachtungen in unseren Daten abtasten, um einen neuen „Bootstrap“-Datensatz zu erstellen, der eine bessere Annäherung an Modellschätzungen ermöglicht.
Schauen wir uns diese Technik in der Praxis an. Im folgenden Beispiel möchte ich den Modellparameter (Permeabilität) untersuchen und feststellen, ob seine Konfidenzintervalle von 0,010 und 0,108 eine genaue Darstellung der theoretischen Grenzen für diese Variable sind. Sobald ich diese Frage beantwortet habe, werde ich den Zusammenhang zwischen Durchlässigkeit und meiner Modellreaktion besser verstehen.
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 0.108Die ursprünglichen Vertrauensgrenzen für die Permeabilität liegen bei 0,010 und 0,108
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 valuesDie neuen Bootsrap-Grenzwerte von 0,019 und 0,119 spiegeln eine genauere Schätzung der tatsächlichen Werte wider
Benutzen JMP Ich generiere 2500 Bootstrap-Stichproben, um neue Konfidenzintervalle von 0,019 und 0,119 zu berechnen. Die Bootstrap-Grenzwerte sind größer als die ursprünglichen Grenzwerte von 0,010 und 0,108 – was darauf hindeutet, dass die Beziehung zwischen Durchlässigkeit und vorhergesagten Reaktionen tatsächlich stärker ist als zuvor angenommen. Mit dieser neuen Erkenntnis kann ich die Koeffizienten meines Modells anpassen, um die Unsicherheit zu verringern und eine Schätzung zu erstellen, die besser mit den tatsächlich erwarteten Ergebnissen übereinstimmt.
Monte-Carlo-Simulation: Verwendet Verteilungen zufälliger Variationen, um eine robuste Schätzung der Vorhersageergebnisse zu erstellen und so die Unsicherheit in Modelldaten besser zu berücksichtigen.
Wenden wir diese zweite Technik auf unseren Beispieldatensatz an. Ich habe ein traditionelles Modell erstellt, mit dem ich die erwartete Reaktion (Beispiel: REC=847,805) für eine Reihe von Bedingungen schätzen kann. Obwohl ich die vorhergesagte Reaktion und die Konfidenzintervalle dieser Schätzungen berechnen kann, kann ich kein Ergebnis berechnen, das die reale Variation berücksichtigt, die ich normalerweise bei meinen Faktoren beobachten würde. Durch die Verwendung der Simulatoroption in JMP kann ich jetzt Faktoren als Zufallsverteilungen modellieren und präzisere Schätzungen meiner erwarteten Antwortwerte erstellen. In meinem Beispiel zeigt die Monte-Carlo-Simulation, dass etwa 25 % meiner Antwortwerte außerhalb meiner Untergrenze von 750 liegen. Mit diesem genauer quantifizierten Risikoniveau kann ich nun eine fundiertere Geschäftsentscheidung treffen, nachdem ich mehrere Szenarien simuliert und ihre jeweiligen Ergebnisse entsprechend abgewogen habe.
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 conditionsDie Monte-Carlo-Simulation von Prädiktorvariablen ermöglicht eine Risikoanalyse unter unterschiedlichen Bedingungen
Anrechnung: Eine Datenersetzungstechnik, mit der fehlende Daten durch ein berechnetes Ergebnis ersetzt werden.
Echte Daten weisen manchmal fehlende Werte auf, und mein Beispieldatensatz ist nicht anders. Es enthält einige Einträge, bei denen aufgrund eines Problems mit einem Sensor keine Daten erfasst wurden. Da diese Werte weggelassen wurden, werden sie nun leider aus jeder Analyse verworfen, und ich verliere alle möglichen Erkenntnisse, die ich hätte gewinnen können, wenn mein Datensatz vollständig wäre. Durch die Verwendung von Imputation in JMP , kann ich jetzt die Werte dieser fehlenden Einträge schätzen und die Zuverlässigkeit meiner Prognosen erhöhen. Die Imputation kann mit vielen Techniken durchgeführt werden; Ich habe mich für eine Methode namens entschieden Multivariate SVD-Imputation um die Werte der 14 fehlenden Einträge vorherzusagen. Es ist zu beachten, dass es sich bei unterstellten Daten nicht um reale Daten handelt, sie bieten jedoch die Möglichkeit, Analysen durchzuführen, die andernfalls nicht durchgeführt werden könnten. Durch die Imputation meiner fehlenden Daten erhöhe ich die Genauigkeit der Schätzungen der Prädiktorvariablen und kann nun alle meine gesammelten Daten vollständig nutzen.
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 dataDie Ergebnisse von 14 imputierten Werten ermöglichen die Schätzung fehlender Daten
Verbessern Sie Schätzungen und reduzieren Sie die Unsicherheit
Bootstrapping, Monte-Carlo-Simulation und Imputation. Hier sind Sie: drei schnelle und einfache Techniken, die auf jeden vorhandenen Datensatz angewendet werden können, um die Qualität der Ergebnisse zu verbessern und Ihre Vorhersagegenauigkeit erheblich zu verbessern. Vorhersagemodelle sind erstaunliche Dinge, deren Anwendungsfälle im Zeitalter von Big Data immer mehr zunehmen. Trotz der Fortschritte bei den Modellierungsoptionen und Algorithmen zur Verbesserung der Robustheit und Genauigkeit wird die Leistung weiterhin von der Qualität der Daten bestimmt, die wir dem Modell zuführen.
In einer idealen Welt gäbe es keine Unsicherheit und unsere Daten würden den Weg für eine perfekte Vorhersage ebnen. Aber wir wissen, dass es echten Daten egal ist, was wir denken. Es ist chaotisch, fehlerhaft und schwer zu bewältigen, also stellen wir uns dieser Herausforderung, indem wir ein paar neue Werkzeuge in den Werkzeugkasten werfen. Lassen wir nicht zu, dass uns die Unbekannten nachts wachhalten. Seien Sie proaktiv, indem Sie diese Strategien nutzen, um Schätzungen zu verbessern, Unsicherheiten zu reduzieren und sich darauf verlassen zu können, dass Sie die bestmöglichen Geschäftsentscheidungen treffen.
