預(yù)測(cè)建模是一種數(shù)學(xué)方法，用于通過分析給定輸入數(shù)據(jù)集的模式來預(yù)測(cè)未來事件或結(jié)果。它是預(yù)測(cè)分析的重要組成部分，是一種使用當(dāng)前和歷史數(shù)據(jù)來預(yù)測(cè)活動(dòng)、行為和趨勢(shì)的數(shù)據(jù)分析類型。

雖然預(yù)測(cè)建模的重點(diǎn)是預(yù)測(cè)未來，但它也可以預(yù)測(cè)結(jié)果(例如，交易被欺詐的可能性)。 在這種情況下，事件已經(jīng)發(fā)生(欺詐行為已經(jīng)實(shí)施)。 在這種情況下，目標(biāo)是預(yù)測(cè)未來的分析是否會(huì)顯示交易是欺詐行為。預(yù)測(cè)建模還可用于預(yù)測(cè)未來的索賠或促進(jìn) "假設(shè) "分析。

一、預(yù)測(cè)模型的主要類型

預(yù)測(cè)模型的分類方法有很多種，在實(shí)踐中，可以將多種類型的模型結(jié)合起來，以達(dá)到最佳效果。主要分為無監(jiān)督模型和有監(jiān)督模型。

a.無監(jiān)督模型使用傳統(tǒng)統(tǒng)計(jì)方法，利用邏輯回歸、時(shí)間序列分析和決策樹等技術(shù)直接對(duì)數(shù)據(jù)進(jìn)行分類。

b.有監(jiān)督模型則使用神經(jīng)網(wǎng)絡(luò)等較新的機(jī)器學(xué)習(xí)技術(shù)來識(shí)別隱藏在先前標(biāo)注數(shù)據(jù)中的模式。

這些方法的主要區(qū)別在于，使用監(jiān)督模型時(shí)，必須更加注意事先正確標(biāo)注數(shù)據(jù)集。

在某些情況下，標(biāo)準(zhǔn)的統(tǒng)計(jì)回歸分析可以提供最佳的預(yù)測(cè)能力。而在其他情況下，更復(fù)雜的建模才是正確的方法。例如，在醫(yī)院中，標(biāo)準(zhǔn)統(tǒng)計(jì)技術(shù)可能足以識(shí)別重要的排班限制，但要優(yōu)化醫(yī)生的病人分配，可能需要神經(jīng)網(wǎng)絡(luò)(一種深度學(xué)習(xí)形式)。

收集樣本數(shù)據(jù)后，數(shù)據(jù)分析師必須選擇一個(gè)合適的模型。線性回歸是最簡(jiǎn)單的預(yù)測(cè)模型之一。線性模型采用兩個(gè)相關(guān)變量--一個(gè)自變量和一個(gè)因變量--并將一個(gè)變量繪制在 x 軸上，另一個(gè)變量繪制在 y 軸上。該模型應(yīng)用最適合所得數(shù)據(jù)點(diǎn)的直線。數(shù)據(jù)科學(xué)家可以用它來預(yù)測(cè)因變量的未來發(fā)生情況。

二、最常用的方法包括以下幾種

1.決策樹

決策樹算法采用數(shù)據(jù)(挖掘的、開源的、內(nèi)部的)，并將其呈現(xiàn)為一個(gè)分支，以顯示不同決策的可能結(jié)果。決策樹根據(jù)之前的決策對(duì)響應(yīng)變量進(jìn)行分類并預(yù)測(cè)響應(yīng)變量，可用于不完整的數(shù)據(jù)集，并且易于解釋，數(shù)據(jù)科學(xué)家新手也可以使用。

2.時(shí)間序列分析

這是一種通過時(shí)間序列預(yù)測(cè)事件的技術(shù)。通過分析過去的趨勢(shì)并進(jìn)行推斷，可以預(yù)測(cè)未來的事件。

3.會(huì)計(jì)回歸

這是一種有助于準(zhǔn)備數(shù)據(jù)的統(tǒng)計(jì)分析方法。隨著輸入的數(shù)據(jù)越來越多，算法對(duì)數(shù)據(jù)進(jìn)行排序和分類的能力也會(huì)提高，從而可以進(jìn)行預(yù)測(cè)。

4.神經(jīng)網(wǎng)絡(luò)

這種技術(shù)通過觀察大量標(biāo)注數(shù)據(jù)來發(fā)現(xiàn)數(shù)據(jù)中變量之間的相關(guān)性。神經(jīng)網(wǎng)絡(luò)是當(dāng)今許多人工智能(AI)范例的基礎(chǔ)，如圖像識(shí)別、智能助手和自然語(yǔ)言生成。

神經(jīng)網(wǎng)絡(luò)是最復(fù)雜的預(yù)測(cè)建模領(lǐng)域。這種類型的機(jī)器學(xué)習(xí)模型可以獨(dú)立檢查大量標(biāo)注數(shù)據(jù)，尋找數(shù)據(jù)中變量之間的相關(guān)性。它甚至可以檢測(cè)到只有在檢查了數(shù)百萬(wàn)個(gè)數(shù)據(jù)點(diǎn)之后才會(huì)出現(xiàn)的微妙關(guān)聯(lián)。然后，該算法可以對(duì)與它所訓(xùn)練的數(shù)據(jù)集類型相同的無標(biāo)記數(shù)據(jù)文件進(jìn)行推斷。

三、流行的預(yù)測(cè)建模算法

隨機(jī)森林。這種算法結(jié)合了不相關(guān)的決策樹，使用分類和回歸來組織和標(biāo)記大量數(shù)據(jù)。

增強(qiáng)梯度模型。與隨機(jī)森林一樣，這種算法也使用多棵決策樹，但在這種方法中，每棵決策樹都會(huì)糾正前一棵決策樹的缺陷，從而構(gòu)建出更準(zhǔn)確的圖像。

K-means 算法。這種算法以類似于聚類模型的方式對(duì)數(shù)據(jù)點(diǎn)進(jìn)行分組，廣泛用于開發(fā)個(gè)性化零售產(chǎn)品。它能發(fā)現(xiàn)大量客戶群體之間的相似性，從而制定個(gè)性化的優(yōu)惠方案。

先知。該算法是一種預(yù)測(cè)程序，對(duì)產(chǎn)能規(guī)劃尤為有效，可處理時(shí)間序列數(shù)據(jù)，相對(duì)靈活。

四、預(yù)測(cè)建模的挑戰(zhàn)

以下是與預(yù)測(cè)建模相關(guān)的一些挑戰(zhàn)。

1.數(shù)據(jù)準(zhǔn)備

預(yù)測(cè)建模最常被忽視的挑戰(zhàn)之一是獲取適量的數(shù)據(jù)，并對(duì)正確的數(shù)據(jù)進(jìn)行分類，以便在開發(fā)算法時(shí)使用。據(jù)估計(jì)，數(shù)據(jù)分析師在這一階段花費(fèi)的時(shí)間約占 80%。收集數(shù)據(jù)固然重要，但如果不對(duì)數(shù)據(jù)進(jìn)行適當(dāng)?shù)墓芾砗颓謇恚湫в镁蜁?huì)受到限制。

數(shù)據(jù)分類后，企業(yè)必須注意避免過度擬合。對(duì)訓(xùn)練數(shù)據(jù)的過度測(cè)試可能導(dǎo)致模型看起來非常準(zhǔn)確，但卻記住了數(shù)據(jù)集中的關(guān)鍵點(diǎn)，而不是學(xué)會(huì)歸納。

2.技術(shù)和文化障礙

盡管預(yù)測(cè)建模通常被認(rèn)為是一個(gè)數(shù)學(xué)問題，但用戶仍需要對(duì)可能阻礙他們獲取所需數(shù)據(jù)的技術(shù)和組織障礙進(jìn)行規(guī)劃。通常，包含有用數(shù)據(jù)的系統(tǒng)無法直接連接到中央數(shù)據(jù)倉(cāng)庫(kù)。此外，一些業(yè)務(wù)部門可能認(rèn)為他們管理的數(shù)據(jù)是自己的資源，因此可能不會(huì)隨意與數(shù)據(jù)科學(xué)團(tuán)隊(duì)共享。

3.選擇正確的業(yè)務(wù)案例

預(yù)測(cè)建模計(jì)劃的另一個(gè)可能障礙是確保項(xiàng)目能夠解決正確的業(yè)務(wù)挑戰(zhàn)。有時(shí)，數(shù)據(jù)分析師會(huì)發(fā)現(xiàn)在某個(gè)特定時(shí)間點(diǎn)上似乎很有趣的相關(guān)性，并創(chuàng)建算法來進(jìn)一步探索這些相關(guān)性。然而，僅僅因?yàn)樗麄儼l(fā)現(xiàn)了一些在統(tǒng)計(jì)學(xué)上有意義的東西，并不意味著這些東西提供了企業(yè)可以利用的洞察力。預(yù)測(cè)建模計(jì)劃需要有堅(jiān)實(shí)的業(yè)務(wù)相關(guān)性基礎(chǔ)。

以上就是關(guān)于格拉斯哥大學(xué)預(yù)測(cè)建模初級(jí)輔導(dǎo)攻略的內(nèi)容，如果同學(xué)們還有其他疑問的話，可以聯(lián)系小海馬，得到專業(yè)幫助哦。

海馬課堂專業(yè)課程輔導(dǎo)

①3500+海外碩博導(dǎo)師,Highmark承諾導(dǎo)師真實(shí)教育背景，假一賠三!

③根據(jù)學(xué)生情況進(jìn)行1V1專屬備課，輔導(dǎo)不滿意隨心退!

②試聽課全面升級(jí)!讓留學(xué)生聽得安心!

④課程輔導(dǎo)產(chǎn)品升級(jí)贈(zèng)送，考前保障。

⑤中英雙語(yǔ)詳細(xì)講解課程中的考點(diǎn)、難點(diǎn)問題，提供多方位的課后輔導(dǎo)!