Vídeo: Biblical Series I: Introduction to the Idea of God 2024
Apesar de tudo o que lhe foi dito sobre suposições que causam problemas, algumas suposições permanecem no cerne de qualquer modelo de análise preditiva. Essas premissas aparecem nas variáveis selecionadas e consideradas na análise - e essas variáveis afetam diretamente a precisão da saída do modelo final.
Portanto, a sua mais sábia precaução no início é identificar quais os pressupostos mais importantes para o seu modelo - e mantê-los no mínimo absoluto.
Criar um modelo preditivo que funciona bem no mundo real exige um conhecimento íntimo do negócio. Seu modelo começa a conhecer apenas os dados da amostra - em termos práticos, quase nada. Então comece pequeno e continue aumentando o modelo conforme necessário.
Probing possíveis questões e cenários podem levar a descobertas chave e / ou pode lançar mais luz sobre os fatores em jogo no mundo real. Esse processo pode identificar as principais variáveis que podem afetar o resultado da análise.
Numa abordagem sistemática da análise preditiva, esta fase - explorando os cenários "what-if" - é especialmente interessante e útil. Aqui é onde você altera as entradas do modelo para medir os efeitos de uma variável ou outra na saída do modelo; O que você realmente está testando é a capacidade de previsão.
Melhorando os pressupostos do modelo - testando como eles afetam a saída do modelo, sondando para ver quão sensível é o modelo para eles e comparando-os ao mínimo - irá ajudá-lo a orientar o modelo para uma capacidade de previsão mais confiável. Antes de poder otimizar seu modelo, você deve conhecer as variáveis preditivas - recursos que têm um impacto direto na saída.
Você pode derivar essas variáveis de decisão executando múltiplas simulações de seu modelo - enquanto altera alguns parâmetros com cada execução - e registrando os resultados, especialmente a precisão das previsões do modelo. Normalmente, você pode rastrear variações de precisão de volta para os parâmetros específicos que você mudou.
Neste ponto, o século XXI pode virar o quatorze para obter ajuda. William of Ockham, frade franciscano inglês e filósofo escolar que morava na década de 1300, desenvolveu o princípio de pesquisa conhecido como o Navajo de Occam: você deve eliminar suposições desnecessárias até que sua teoria possua o menor número possível de pessoas. Então, é mais provável que seja verdade.
Demais pressupostos pesam as previsões do seu modelo com incertezas e imprecisões.A eliminação de variáveis desnecessárias leva a um modelo mais robusto, mas não é fácil decidir quais variáveis incluir na análise - e essas decisões afetam diretamente o desempenho do modelo.
Mas aqui é onde o analista pode enfrentar um dilema: incluindo fatores desnecessários podem distorcer ou distorcer a saída do modelo, mas excluindo uma variável relevante deixa o modelo incompleto.
Então, quando chegar a hora de selecionar as variáveis de decisão importantes, ligue para os especialistas em conhecimento de domínio. Quando você possui um conjunto preciso de variáveis de decisão baseadas na realidade, você não precisa fazer muitos pressupostos - e o resultado pode ser menos erros em seu modelo preditivo.
