Vídeo: Cap09 - O Que é Um Modelo Preditivo - Parte 1 2024
Vários algoritmos estatísticos, de mineração de dados e de aprendizagem em máquina estão disponíveis para uso em seu modelo de análise preditiva. Você está em melhor posição para selecionar um algoritmo depois de ter definido os objetivos do seu modelo e selecionou os dados nos quais você trabalhará. Alguns desses algoritmos foram desenvolvidos para resolver problemas de negócios específicos, aprimorar algoritmos existentes ou fornecer novas capacidades - o que pode tornar alguns deles mais apropriados para seus propósitos do que outros. Você pode escolher entre uma variedade de algoritmos para abordar preocupações comerciais, como o seguinte:
- Para segmentação de clientes e / ou detecção de comunidade na esfera social, por exemplo, você precisaria de algoritmos de agrupamento.
- Para a retenção de clientes ou para desenvolver um sistema de recomendação, você usaria algoritmos de classificação.
- Para pontuação de crédito ou previsão do próximo resultado de eventos orientados por tempo, você usaria um algoritmo de regressão.
Como o tempo e recursos permitem, você deve executar tantos algoritmos do tipo apropriado quanto possível. A comparação de diferentes corridas de algoritmos diferentes pode trazer conclusões surpreendentes sobre os dados ou a inteligência de negócios incorporada nos dados. Ao fazê-lo, você fornece informações mais detalhadas sobre o problema do negócio e ajuda você a identificar quais variáveis dentro de seus dados têm poder preditivo.
Alguns projetos de análise preditiva conseguem o melhor construindo um modelo de conjunto, um grupo de modelos que operam nos mesmos dados. Um modelo de conjunto usa um mecanismo predefinido para reunir os resultados de todos os seus modelos de componentes e fornecer um resultado final para o usuário.
Os modelos podem assumir várias formas - uma consulta, uma coleção de cenários, uma árvore de decisão ou uma análise matemática avançada. Além disso, certos modelos funcionam melhor para determinados dados e análises. Você pode (por exemplo) usar algoritmos de classificação que empregam regras de decisão para decidir o resultado de um determinado cenário ou transação, abordando questões como estas:
- Este cliente provavelmente responderá à nossa campanha de marketing?
- Essa transferência de dinheiro provavelmente será parte de um esquema de lavagem de dinheiro?
- Este requerente de empréstimo provavelmente está inadimplente no empréstimo?
Você pode usar algoritmos de cluster não supervisionados para encontrar quais relacionamentos existem dentro do seu conjunto de dados. Você pode usar esses algoritmos para encontrar agrupamentos diferentes entre seus clientes, determinar quais serviços podem ser agrupados ou decidir, por exemplo, quais produtos podem ser elevados.
Os algoritmos de regressão podem ser usados para prever dados contínuos, como a previsão da tendência para um movimento de estoque dado seus preços passados.
Árvores de decisão, máquinas de vetor de suporte, redes neurais, regressões logísticas e lineares são alguns dos algoritmos mais comuns. Embora suas implementações matemáticas sejam diferentes, esses modelos preditivos geram resultados comparáveis. As árvores de decisão são mais populares, porque são fáceis de entender; Você pode seguir o caminho para uma determinada decisão.
Os algoritmos de classificação são ótimos para o tipo de análise quando o destino é conhecido (como a identificação de emails de spam). Por outro lado, quando a variável alvo é desconhecida, os algoritmos de agrupamento são a melhor opção. Eles permitem que você agrupe ou agrupe seus dados em grupos significativos com base nas semelhanças entre os membros do grupo.
Estes algoritmos são amplamente populares. Existem muitas ferramentas, comerciais e de código aberto, que as implementam. Com a acumulação de dados próspera e acelerada (ou seja, dados importantes) e hardware e plataformas econômicos (como a computação em nuvem e o Hadoop), as ferramentas de análise preditiva estão experimentando um boom.
Os dados e os objetivos comerciais não são os únicos fatores a serem considerados quando você está selecionando um algoritmo. A experiência de seus cientistas de dados é de enorme valor neste momento; escolher um algoritmo que irá fazer o trabalho é muitas vezes uma combinação complicada de ciência e arte. A parte de arte vem da experiência e proficiência no domínio comercial, que também desempenha um papel crítico na identificação de um modelo que possa atender aos objetivos de negócios com precisão.
