Visualizando resultados analíticos do seu modelo preditivo

Muitas vezes, você precisa ser capaz de mostrar os resultados de suas análises preditivas para aqueles que importa. Aqui estão algumas maneiras de usar técnicas de visualização para relatar os resultados de seus modelos para as partes interessadas.

Visualizando agrupamentos ocultos em seus dados

agrupamento de dados é o processo de descobrir grupos ocultos de itens relacionados dentro de seus dados. Na maioria dos casos, um grupo (Agrupamento) é composto de objetos de dados do mesmo tipo, como os usuários de redes sociais, documentos de texto ou e-mails. Uma maneira de visualizar os resultados de um modelo de agrupamento de dados é mostrado abaixo, em que o gráfico representa comunidades sociais (clusters) que foram descobertos nos dados recolhidos a partir de utilizadores da rede social.

Video: Matemática - Aula 19 - Matrizes - Conceitos Iniciais - Parte 1

Os dados sobre os clientes foi recolhido em um tabular format- então um algoritmo de agrupamento foi aplicada aos dados, e os três grupos (grupos) foram descobertos: clientes leais, clientes errantes, e clientes baixos. Assume-se que os eixos X e Y representam os dois componentes principais geradas dos dados originais. análise de componentes principais (PCA) é uma técnica de redução de dados.

Aqui, a relação visual entre os três grupos já sugere, onde melhoradas e direcionados esforços de marketing pode fazer o melhor.

Visualizando resultados de classificação de dados

Um modelo de classificação atribui uma classe específica para cada novo ponto de dados que examina. As classes específicas, neste caso, poderiam ser os grupos que resultam de seu trabalho clustering. A saída destacado no gráfico pode definir seus conjuntos de alvos. Para qualquer novo cliente, um modelo de classificação de previsão tenta prever qual grupo o novo cliente irá pertencer.

Depois de aplicar um algoritmo de agrupamento e descobriu agrupamentos nos dados do cliente, você chegou a um momento de verdade: Aí vem um novo cliente - você quer o modelo para prever que tipo de cliente que ele ou ela será.

A imagem mostra como a informação de um novo cliente é alimentado para o seu modelo de análise preditiva, que por sua vez, prevê que grupo de clientes este novo cliente pertence. Novos clientes A, B, C e está prestes a ser atribuído a aglomerados de acordo com o modelo de classificação. Aplicando o modelo de classificação resultou em uma previsão de que ao Cliente Um pertenceria com os clientes fiéis, o Cliente B seria um andarilho, e ao Cliente C só foi aparecer para o desconto.

Visualizando discrepantes em seus dados

No curso de agrupamento ou classificar novos clientes, de vez em quando você topar discrepantes (casos especiais que não se encaixam as divisões existentes).

Abaixo, você vê alguns valores atípicos que não se encaixam bem nos grupos pré-definidos. Seis clientes outlier foram detectados e visualizados. Eles se comportam de forma diferente o suficiente para que o modelo não pode dizer se eles pertencem a nenhuma das categorias definidas de clientes.

Visualização de Árvores de Decisão

Muitos modelos usar árvores de decisão como suas saídas: Estes diagramas mostram os possíveis resultados de cursos alternativos de ação, definidos como os galhos de uma árvore.

A imagem abaixo mostra um exemplo de uma árvore usada como um classificador: Ele classifica os fãs de beisebol com base em alguns critérios, principalmente o montante gasto em bilhetes e as datas de compra. A partir desta visualização, você pode prever o tipo de fã que um novo ticket-comprador será: casual, Fiel, movimento, obstinado, ou algum outro tipo.

Atributos de cada fã são mencionados em cada nível na árvore (número total de jogos assistidos, montante total gasto, estação) - você pode seguir um caminho a partir de um determinado “root” para uma “folha” específica na árvore, onde você bater uma das classes de ventilador (c1, c2, C3, C4, C5).

Suponha que você queira determinar o tipo de fã de beisebol um cliente é para que você possa determinar que tipo de anúncios de marketing para enviar para o cliente. Suponha que você supor que os fanáticos de beisebol e fãs bandwagon podem ser persuadidos a comprar um carro novo quando sua equipe está indo bem e se dirigiu para os playoffs.

Você pode querer enviar anúncios de marketing e descontos para persuadi-los a fazer a compra. Além disso, suponha que você supor que os fãs bandwagon pode ser persuadido a votar em favor de certas questões políticas. Você pode enviá-los de marketing anúncios pedindo-lhes para esse apoio. Se você sabe que tipo de base de fãs que você, usando árvores de decisão pode ajudar a decidir como abordá-lo como uma gama de tipos de clientes.

previsões visualizando

Suponha que você executar uma variedade de modelos de análise preditiva, incluindo árvores de decisão, florestas aleatórias e algoritmos que reunem-se. Você pode combinar todos esses resultados e apresentar uma narrativa consistente que todo o apoio. Aqui confiança é uma porcentagem numérica que pode ser calculado usando uma função matemática. O resultado do cálculo encapsula uma pontuação de como provável uma possível ocorrência é.

Video: Film Theory: The ULTIMATE Guide to Predicting Oscar Winners

No eixo x, os documentos comprovativos representa a fonte de conteúdo que foi analisado com modelos conteúdo de análise que identificaram os possíveis resultados. Na maioria dos casos, o seu modelo preditivo teria processado um grande conjunto de dados, usando dados de várias fontes, para obter esses resultados possíveis. Assim, você precisa mostrar apenas os elementos de prova mais importante em sua visualização.

Acima, um resumo dos resultados obtidos com a aplicação de análise preditiva é apresentado como uma visualização que ilustra possíveis resultados, juntamente com uma pontuação de confiança e elementos de apoio para cada um. Três cenários possíveis são mostradas:

• O inventário de Item A não acompanhar a demanda, se você não enviar pelo menos 100 unidades por semana para armazenar S. (pontuação de confiança:. 98 por cento)
• O número de vendas vai aumentar em 40 por cento, se você aumentar a produção de Item A em pelo menos 56 por cento. (Confiança marcar: 83 por cento).
• Uma campanha de marketing na Califórnia vai aumentar as vendas de itens A e D, mas não item K. (pontuação de confiança:. 72 por cento)

A pontuação de confiança representa a probabilidade de que cada cenário vai acontecer, de acordo com o seu modelo de análise preditiva. Note-se que elas são listadas aqui em ordem de probabilidade descendente.

Aqui os elementos de prova mais importante consiste em como trechos de várias fontes de conteúdo são apresentados ao longo do eixo x. Você pode referir-se a eles, se você precisa explicar como você chegou a um determinado cenário possível - e trotar para fora a evidência de que a suporta.

O poder por trás esta visualização é a sua simplicidade. Imagine que, depois de meses de aplicação de análise preditiva para seus dados, trabalhando o seu caminho através de várias iterações, que você anda em uma reunião com o tomador de decisão. Você está armado com uma visualização de slides de três cenários possíveis que podem ter um enorme impacto sobre o negócio. Tal visualização cria discussões eficazes e pode levar a gestão de “aha” momentos.