Comment marquer vos prédictions analytiques précision

Lors de l'analyse de la qualité d'un modèle prédictif, vous aurez envie de mesurer son exactitude. L'une prévision plus précise le modèle fait, plus il est utile à l'entreprise, ce qui est une indication de sa qualité. Ceci est tout bon - sauf quand l'événement prédit est rare. Dans ce cas, la haute précision du modèle prédictif peut être vide de sens.

Par exemple, si la probabilité d'un événement rare de se produire est de 5 pour cent, un modèle qui répond simplement «non» tout le temps lorsqu'on lui a demandé si l'événement a eu lieu rare serait juste 95 pour cent du temps. Mais comment serait utile un tel modèle être?

Ainsi, si votre entreprise doit faire face régulièrement à des événements rares (si une telle chose est possible), ne comptez pas sur l'exactitude seul comme une mesure de la fiabilité de votre modèle.

Dans un tel cas, vous pouvez évaluer l'efficacité et la qualité d'un modèle prédictif à la lumière de la façon dont probablement les rares cas où doit avoir lieu. Une mesure utile à suivre est de spécifier quels types d'erreurs que vous pouvez accepter à partir du modèle et que vous ne pouvez pas.

Voici une liste rapide des autres façons d'évaluer votre modèle:




  • Vérifiez si la sortie du modèle répond à vos critères d'évaluation.

  • Elaborer une stratégie de tests de sorte que vous pouvez tester votre modèle à plusieurs reprises et de manière cohérente.

  • Mesurer à quel point le modèle répond aux objectifs de l'entreprise pour laquelle il a été construit.

  • Évaluer les risques de déploiement du modèle vivant.

Aide éradiquer overfitting. Lors de la construction d'un modèle prédictif, garder à l'esprit que votre ensemble de données est seulement un échantillon de l'ensemble de la population. Il y aura toujours des facteurs inconnus que vos données ne peuvent pas expliquer, peu importe quoi.

  • Aborder l'analyse de votre modèle prédictif avec soin, à partir de cette liste de contrôle rapide:

  • Préparez vos données avec la plus grande diligence avant de l'utiliser pour former votre modèle.

  • Examiner attentivement les valeurs aberrantes avant d'inclure ou les exclure.

  • Rester vigilants dans les tests et l'évaluation répétée.

  • Données-échantillon recouper et données de test pour détourner de surajustement.

  • Consultez vos experts de connaissances de domaine souvent et de manière appropriée.


» » » » Comment marquer vos prédictions analytiques précision