Video: 'science' of the gaps [cc] 2024
Trots allt du har fått veta om antaganden som orsakar problem, förblir några antaganden kärnan i någon prediktiv analysmodell. Dessa antaganden dyker upp i de variabler som väljs och beaktas i analysen - och dessa variabler påverkar direkt noggrannheten i den slutliga modellens produktion.
Därför är din klokaste försiktighet i början att identifiera vilka antaganden som är mest viktiga för din modell - och för att hålla dem till ett absolut minimum.
Att skapa en prediktiv modell som fungerar bra i den verkliga världen kräver en intim kunskap om verksamheten. Din modell börjar med att bara veta provdata - i praktiken, nästan ingenting. Så börja små och fortsätt att förbättra modellen efter behov.
Att hitta möjliga frågor och scenarier kan leda till viktiga upptäckter och / eller kan ge mer ljus på de faktorer som spelas i den verkliga världen. Denna process kan identifiera de kärnvariabler som kan påverka resultatet av analysen.
I ett systematiskt tillvägagångssätt för prediktiv analys är denna fasutforskande "what-if" -scenarier - särskilt intressant och användbar. Här ändrar du modellinmatningarna för att mäta effekterna av en variabel eller en annan på modellens utgång. Det du testar verkligen är dess prognosförmåga.
Förbättra modellens antaganden - genom att testa hur de påverkar modellens utmatning, sondera för att se hur känslig modellen är för dem och para dem till ett minimum - hjälper dig att styra modellen mot en mer pålitlig prediktiv förmåga. Innan du kan optimera din modell måste du känna till de prediktiva variablerna - funktioner som har en direkt inverkan på dess produktion.
Du kan härleda dessa beslutsvariabler genom att köra flera simuleringar av din modell - medan några parametrar ändras med varje körning - och registrera resultaten, speciellt noggrannheten i modellens prognoser. Vanligtvis kan du spåra variationer i noggrannhet tillbaka till de specifika parametrar du ändrade.
Vid den här tiden kan det tjugoförsta århundradet vända sig till den fjortonde för hjälp. William of Ockham, en engelsk franciskansk friar och skolastisk filosof som bodde i 1300-talet, utvecklade forskningsprincipen som kallas Occam's Razor: Du borde skära bort onödiga antaganden tills din teori har så få av dem som möjligt. Då är det sannolikt att vara sant.
För många antaganden väger dina modellprognoser med osäkerhet och felaktigheter.Att eliminera onödiga variabler leder till en mer robust modell, men det är inte lätt att bestämma vilka variabler som ska inkluderas i analysen - och dessa beslut påverkar direkt modellens prestanda.
Men här kan analytikern komma in i ett dilemma: Inklusive onödiga faktorer kan skeva eller snedvrida modellens utmatning, men exklusive en relevant variabel lämnar modellen ofullständig.
Så när det gäller dags att välja de allvarliga beslutsvariablerna, ring in dina domänkunskapsexperter. När du har en exakt, realitetsbaserad uppsättning beslutsvariabler behöver du inte göra för många antaganden - och resultatet kan vara färre fel i din prediktiva modell.
