Video: Geometry: Collinearity, Betweenness, and Assumptions (Level 1 of 4) | Triangle Inequality 2024
În ciuda a tot ceea ce v-a fost spus despre ipotezele care provoacă probleme, câteva presupuneri rămân în centrul oricărui model de analiză predictivă. Aceste ipoteze apar în variabilele selectate și luate în considerare în analiză - și acele variabile afectează în mod direct precizia producției finale a modelului.
Prin urmare, cea mai înțeleaptă măsură de precauție de la bun început este de a identifica ce ipoteze contează cel mai mult pentru modelul dvs. și de a le menține la un minim absolut.
Crearea unui model de predicție care să funcționeze bine în lumea reală necesită o cunoaștere intimă a afacerii. Modelul dvs. începe să cunoască doar datele esențiale - în termeni practici, aproape nimic. Deci, începeți mici și continuați să îmbunătățiți modelul după cum este necesar.
Întrebările și scenariile posibile pot duce la descoperiri-cheie și / sau pot lăsa mai multă lumină asupra factorilor aflați în joc în lumea reală. Acest proces poate identifica variabilele de bază care ar putea afecta rezultatul analizei.
Într-o abordare sistematică a analizei predictive, această fază - explorarea scenariilor "ce-ar fi" - este deosebit de interesantă și utilă. Iată în cazul în care schimbați intrările modelului pentru a măsura efectele unei variabile sau a altei pe ieșirea modelului; ceea ce testezi cu adevărat este capacitatea de prognoză.
Îmbunătățirea ipotezelor modelului - prin testarea modului în care acestea afectează ieșirea modelului, cercetarea pentru a vedea cât de sensibil este modelul pentru ele și pararea acestora la minim - vă va ajuta să îndrumați modelul spre o capacitate predictivă mai fiabilă. Înainte de a vă putea optimiza modelul, trebuie să cunoașteți variabilele predictive - caracteristici care au un impact direct asupra rezultatelor sale.
Puteți obține acele variabile de decizie prin rularea mai multor simulări ale modelului dvs. - în timp ce modificați câțiva parametri cu fiecare execuție - și înregistrarea rezultatelor, în special corectitudinea previziunilor modelului. De obicei, puteți urmări variațiile de acuratețe înapoi la parametrii specifici pe care i-ați modificat.
În acest moment, secolul douăzeci și unu se poate întoarce la al paisprezecelea pentru ajutor. William of Ockham, un călugăr franciscan englez și filozof scolastic, care a trăit în anii 1300, a dezvoltat principiul de cercetare cunoscut sub numele de Razorul lui Occam: Ar trebui să tăiați ipoteze inutile până când teoria ta nu are cât mai puține posibilități. Atunci este mai probabil să fii adevărat.
Prea multe ipoteze cântăresc previziunile modelului dvs. cu incertitudini și inexactități.Eliminarea variabilelor inutile conduce la un model mai robust, dar nu este ușor să se decidă care variabile să fie incluse în analiză - iar aceste decizii afectează în mod direct performanța modelului.
Dar aici analizatorul poate intra într-o dilemă: Includerea factorilor inutili poate să denatureze sau să distorsioneze rezultatul modelului, însă excluderea unei variabile relevante lasă modelul incomplet.
Deci, când vine momentul să selectați acele variabile de decizie foarte importante, sunați la experții domeniului dvs. de cunoștințe. Când aveți un set precis de variabile de decizie bazate pe realitate, nu trebuie să faceți prea multe ipoteze - și rezultatul poate fi mai puține erori în modelul dvs. predictiv.