Como marcar suas previsões analíticas com precisão
Ao analisar a qualidade de um modelo preditivo, você&rsquo-ll quer medir a sua precisão. A uma previsão mais precisa do modelo faz, mais útil ele é para o negócio, que é uma indicação da sua qualidade. Isso tudo é bom - exceto quando o evento previsto é raro. Nesse caso, a alta precisão do modelo preditivo pode ser sentido.
Conteúdo
Por exemplo, se a probabilidade de um evento raro de ocorrer é de 5 por cento, um modelo que simplesmente respostas &ldquo-não&rdquo- o tempo todo quando perguntado se o evento raro ocorreu seria certo 95 por cento do tempo. Mas quão útil seria um tal modelo ser?
Assim, se sua empresa tem de lidar rotineiramente com eventos raros (se tal coisa é possível), don&rsquo-t confiar na precisão sozinho como uma medida do seu modelo&rsquo-s fiabilidade.
Nesse caso, você pode avaliar a eficácia ea qualidade de um modelo preditivo à luz do qual a probabilidade do evento raro está a ter lugar. A métrica útil a seguir é para especificar quais tipos de erros que você pode aceitar a partir do modelo e que você não pode.
Aqui&rsquo-s uma lista rápida de outras maneiras de avaliar o seu modelo:
Verifique se o modelo&rsquo-s saída atende aos seus critérios de avaliação.
Conceber uma estratégia de teste para que você possa testar o seu modelo repetidamente e de forma consistente.
Medir o quão bem o modelo satisfaz os objetivos de negócio para o qual foi construído.
Avaliar os riscos de implantação do modelo vivo.
Ajudar a acabar com overfitting. Ao construir um modelo preditivo, tenha em mente que o seu conjunto de dados é apenas uma amostra de toda a população. Sempre haverá fatores desconhecidos que seus dados não podem dar conta, não importa o quê.
Video: PREVISÕES 2016 CARLINHOS VIDENTE (COMPLETO)
Aproxime-se da análise do seu modelo preditivo com cuidado, começando com esta lista de verificação rápida:
Prepare seus dados com a máxima diligência antes de usá-lo para treinar o seu modelo.
Video: GÊMEOS 2016 - PREVISÕES SIGNO DE GÊMEOS - HORÓSCOPO 2016
Considere cuidadosamente os outliers antes incluindo ou excluindo-os.
Permanecer vigilantes em teste e avaliação repetida.
Verificação cruzada de dados de amostra e dados de teste para abster-se de overfitting.
Consultar os seus especialistas de conhecimento de domínio, muitas vezes e de forma adequada.