Comment visualiser les résultats d'analyse de votre modèle: arbres de décision et prédictions

Lorsque vous présentez les résultats de votre analyse prédictive à vos parties prenantes, créant des représentations visuelles des données peut les aider à comprendre facilement l'information et de faire des décisions bien informées. Voici deux méthodes de représentations visuelles que vous pouvez utiliser:

Comment visualiser les arbres de décision

Beaucoup de modèles utilisent arbres de décision que leurs sorties: Ces diagrammes montrent les résultats possibles de divers plans d'action, disposées comme les branches d'un arbre. Voici un exemple d'un arbre de décision utilisé comme un classificateur: Il classe les fans de baseball sur la base de quelques critères, principalement le montant dépensé sur les billets et les dates d'achat.

De cette visualisation, vous pouvez prédire le type de ventilateur qui un nouveau ticket-acheteur sera: décontracté, fidèle, train, jusqu'au-boutiste, ou un autre type. Attributs de chaque ventilateur sont mentionnées à chaque niveau de l'arbre (nombre total de jeux fréquentés, montant total dépensé, saison) - vous pouvez suivre un chemin à partir d'un "root" notamment à une «feuille» spécifique sur l'arbre, où vous frappez une des classes de ventilateur (c1, c2, c3, c4, c5).

Supposons que vous voulez déterminer le type de fan de baseball est un client de sorte que vous pouvez déterminer quel type d'annonces de marketing d'envoyer au client. Vous voulez savoir si le client est un fanatique de baseball ou quelqu'un qui monte juste le train en marche.

Supposons que vous émettons l'hypothèse que les fanatiques de baseball et des fans de train en marche peuvent être amenés à acheter une nouvelle voiture (ou d'autres biens discrétionnaires) lorsque leur équipe se porte bien et se dirigèrent vers les séries éliminatoires. Vous pouvez leur envoyer des annonces marketing et des rabais pour les persuader de faire l'achat.

En outre, supposons que vous émettons l'hypothèse que les fans de train en marche peuvent être amenés à voter en faveur de certaines questions politiques. Vous pouvez envoyer les commercialiser annonces en leur demandant pour ce soutien. Si vous savez quel type de base de fans que vous avez, en utilisant des arbres de décision peuvent vous aider à décider comment l'aborder comme un éventail de types de clients.

Comment visualiser des prédictions

Supposons que vous avez exécutez un éventail de modèles de d'analyse prédictive, y compris les arbres de décision, les forêts aléatoires, et les algorithmes qui affluent. Vous pouvez combiner tous ces résultats et de présenter un récit cohérent qui ils ont tous de soutien. Voici la confiance est un pourcentage numérique qui peut être calculée en utilisant une fonction mathématique.

Le résultat du calcul encapsule un score de façon probable une apparition possible est. Sur l'axe des x, preuves à l'appui représente la source de contenu qui a été analysé avec des modèles de contenu d'analyse qui ont identifié les résultats possibles.

Dans la plupart des cas, votre modèle prédictif aurait traité un large ensemble de données, en utilisant des données provenant de diverses sources, pour obtenir ces résultats possibles. Ainsi vous avez besoin de montrer que la preuve à l'appui le plus important dans votre visualisation.

Un résumé des résultats obtenus à partir de l'application de l'analyse prédictive est présenté comme une visualisation qui illustre les résultats possibles, avec un score de confiance et des preuves pour chacun. Trois scénarios possibles sont présentés:

• L'inventaire du point A ne sera pas répondre à la demande si vous ne livrez au moins 100 unités par semaine pour stocker S. (score de confiance:. 98 pour cent)

• Le nombre de ventes vont augmenter de 40 pour cent si vous augmentez la production de Point A d'au moins 56 pour cent. (Confiance Score: 83 pour cent.)

• Une campagne de marketing en Californie va augmenter les ventes d'articles A et D, mais pas K. Point (score de confiance:. 72 pour cent)

Le score de confiance représente la probabilité que chaque scénario va se passer, en fonction de votre modèle d'analyse prédictive. Notez qu'ils sont énumérés par ordre décroissant de la probabilité.

Voici la preuve à l'appui le plus important est constitué de la façon dont des extraits de plusieurs sources de contenu sont présentés sur l'axe x. Vous pouvez vous référer à eux si vous avez besoin d'expliquer comment vous avez un scénario particulier possible - et au trot sur la preuve qui la soutient.

La puissance derrière cette visualisation est sa simplicité. Imaginez, après des mois de l'application de l'analyse prédictive à vos données, de travailler votre chemin à travers plusieurs itérations, que vous marchez dans une réunion avec décideur. Vous êtes armé avec l'une visualisation de diapositives de trois scénarios possibles qui pourraient avoir un impact énorme sur l'entreprise. Une telle visualisation crée discussions efficaces et peut conduire à la gestion "aha" moments.