Comment utiliser l'analyse supervisées pour former des modèles prédictifs

Dans Analytics supervisées, l'entrée et la sortie préférée font partie des données de formation. Le modèle d'analyse prédictive est présenté avec les résultats corrects dans le cadre de son processus d'apprentissage. Un tel apprentissage supervisé assume exemples pré-classées: Le but est d'obtenir le modèle d'apprendre de la classification précédemment connu pour qu'il puisse correctement étiqueter le prochain point inconnu de données basé sur ce qu'il a appris.

Lorsque la formation du modèle est complète, une fonction mathématique est déduit en examinant les données de formation. Cette fonction est utilisée pour marquer les nouveaux points de données.

Pour que cette approche fonctionne correctement, les données de formation - ainsi que les données de test - doit être soigneusement choisi. Le modèle formé devrait être en mesure de prédire l'étiquette correcte pour un nouveau point de données rapidement et avec précision, en fonction du type (s) de données, le modèle a vu dans les données de formation.

Analytics surveillées offrent des avantages distincts:




  • L'analyste est en charge du processus.

  • Étiquetage est basée sur les classifications connues.

  • Des erreurs d'étiquetage peuvent être facilement résolus.

Le revers de ces avantages est un ensemble tout aussi distincte des inconvénients potentiels:

  • Toute erreur dans la phase de formation seront renforcés plus tard.

  • La classification prévue par l'analyste ne peut pas décrire adéquatement toute la population.

  • Le modèle peut être incapable de détecter les classes qui dévient de l'ensemble de la formation originale.

  • L'hypothèse que les grappes dans les données ne se chevauchent pas - et qu'ils peuvent facilement être séparés - peut pas prouver valide.


» » » » Comment utiliser l'analyse supervisées pour former des modèles prédictifs