Video: Warum nutzen Unternehmen Predictive Analytics? 2025
So erstellen Sie analytische Vorhersagen mit neuen Daten Verwenden Sie einfach die Funktion mit einer Liste der sieben Attributwerte. Der folgende Code erledigt diesen Job: >> newPrediction <- vorhersagen (Modell,
Liste (Zylinder = Faktor (4), Verschiebung = 370,Pferdestärke = 150, Gewicht = 3904, Beschleunigung = 12, Modelljahr) = Faktor (70), Ursprung = Faktor (1)),
Intervall = "vorhersagen", Ebene =. 95)
Dies ist der Code und die Ausgabe des neuen Vorhersagewerts:
Nachdem Sie das Modell mit dem Test-Dataset ausgewertet haben und mit der Genauigkeit zufrieden sind, können Sie darauf vertrauen, dass Sie ein gutes Vorhersagemodell erstellt haben. Sie müssen auf Geschäftsergebnisse warten, um die Effektivität Ihres Vorhersagemodells zu messen.
Möglicherweise gibt es Optimierungen, die Sie vornehmen können, um ein besseres und effizienteres Vorhersagemodell zu erstellen. Durch das Experimentieren können Sie die beste Kombination von Prädiktoren finden, um ein schnelleres und präziseres Modell zu erstellen.
Eine Möglichkeit, eine Teilmenge der Merkmale zu konstruieren, besteht darin, die Korrelation zwischen den Variablen zu finden und die stark korrelierten Variablen zu entfernen. Wenn Sie die redundanten Variablen entfernen, die der Anpassung nichts hinzufügen (oder nur sehr wenige Informationen hinzufügen), können Sie die Geschwindigkeit des Modells erhöhen. Dies gilt insbesondere dann, wenn Sie mit vielen Beobachtungen (Datenzeilen) zu tun haben, bei denen Verarbeitungsleistung oder -geschwindigkeit ein Problem darstellen könnten.
Bei einem großen Datensatz verlangsamen mehr Attribute in einer Datenzeile die Verarbeitung. Sie sollten also versuchen, so viele redundante Informationen wie möglich zu eliminieren.
