Grundlagen von Predictive Analytics Datenklassifikationsprozess - Dummys

Auf der Ebene der Messingtreffer besteht die vorhersagende analytische Datenklassifikation aus zwei Phasen: der Lernphase und der Vorhersagephase… Die Lernstufe beinhaltet das Trainieren des Klassifizierungsmodells durch Ausführen eines bestimmten Satzes von Vergangenheitsdaten durch den Klassifizierer. Das Ziel besteht darin, Ihrem Modell beizubringen, versteckte Beziehungen und Regeln zu extrahieren und zu entdecken - die Klassifizierungsregeln aus historischen (Trainings-) Daten. Das Modell verwendet einen Klassifizierungsalgorithmus.

Die Prädiktionsstufe, die der Lernphase folgt, besteht darin, dass das Modell neue Klassenkennzeichnungen oder numerische Werte vorhersagen muss, die Daten klassifizieren, die es zuvor noch nicht gesehen hat (dh Testdaten).

Um diese Phasen zu veranschaulichen, nehmen Sie an, Sie sind der Besitzer eines Online-Shops, der Uhren verkauft. Sie haben den Online-Shop bereits eine ganze Weile besessen und viele Transaktionsdaten und persönliche Daten zu Kunden gesammelt, die Uhren in Ihrem Geschäft gekauft haben. Angenommen, Sie haben diese Daten über Ihre Website erfasst, indem Sie zusätzlich zu den Transaktionsdaten, die Sie durch Vorgänge gesammelt haben, Webformulare bereitstellen.

Sie können auch Daten von einer dritten Partei erwerben, die Sie über Ihre Kunden außerhalb ihres Interesses an Uhren informiert. Das ist nicht so schwer, wie es sich anhört. es gibt Unternehmen, deren Geschäftsmodell darin besteht, Kunden online zu verfolgen und wertvolle Informationen über sie zu sammeln und zu verkaufen.

Die meisten dieser Drittanbieter sammeln Daten von Social-Media-Sites und wenden Data-Mining-Methoden an, um die Beziehung einzelner Nutzer zu Produkten zu ermitteln. In diesem Fall wären Sie als Inhaber eines Uhrengeschäfts an der Beziehung zwischen Kunden und ihrem Interesse am Kauf von Uhren interessiert.

Sie können diese Art von Informationen aus der Analyse z. B. eines sozialen Netzwerkprofils eines Kunden oder eines Microblog-Kommentars der Art ableiten, die Sie auf Twitter finden.

Um das Interesse einer Person an Uhren zu messen, können Sie eines von mehreren Textanalysetools anwenden, die solche Korrelationen im Text einer Person (soziale Netzwerkstatus, Tweets, Blog-Postings usw.) oder Online-Aktivitäten (wie soziale Online-Interaktionen, Foto-Uploads und Suchanfragen).

Nachdem Sie all diese Daten über die vergangenen Transaktionen und aktuellen Interessen Ihrer Kunden gesammelt haben - die Trainingsdaten, die Ihrem Modell zeigen, wonach gesucht werden muss, müssen Sie es in eine Struktur organisieren, die es ermöglicht. einfach zuzugreifen und zu verwenden (wie eine Datenbank).

Zu ​​diesem Zeitpunkt haben Sie die zweite Phase der Datenklassifizierung erreicht: die -Vorhersage-Stufe, bei der es um das Testen Ihres Modells und die Genauigkeit der von ihm generierten Klassifizierungsregeln geht. Zu diesem Zweck benötigen Sie zusätzliche historische Kundendaten, die als Testdaten bezeichnet werden (was sich von den Trainingsdaten unterscheidet).

Sie leiten diese Testdaten in Ihr Modell ein und messen die Genauigkeit der resultierenden Vorhersagen. Sie zählen die Zeiten, die das Modell das zukünftige Verhalten der in Ihren Testdaten dargestellten Kunden korrekt vorhergesagt hat. Sie zählen auch die Zeiten, in denen das Modell falsche Vorhersagen gemacht hat.

An diesem Punkt haben Sie nur zwei mögliche Ergebnisse: Entweder Sie sind mit der Genauigkeit des Modells zufrieden, oder Sie sind es nicht:

• Wenn Sie zufrieden sind, können Sie Ihr Modell vorbereiten. Vorhersagen als Teil eines Produktionssystems.

• Wenn Sie mit der Vorhersage nicht zufrieden sind, müssen Sie Ihr Modell mit einem neuen Trainingsdatensatz trainieren.

Wenn Ihre ursprünglichen Trainingsdaten nicht repräsentativ genug für den Pool Ihrer Kunden waren - oder verrauschte Daten enthielten, die die Ergebnisse des Modells durch die Einführung falscher Signale auslösten - dann ist noch mehr Arbeit erforderlich, um Ihr Modell zum Laufen zu bringen. Jedes Ergebnis ist auf seine Art nützlich.