Hur man visualiserar din modells analytiska resultat: Dolda grupperingar, dataklassificeringar och utjämnare - dummies

Visualisering av resultaten av din prediktiva analys hjälper verkligen intressenterna att förstå nästa steg. Här är några sätt att använda visualiseringstekniker för att rapportera resultaten av dina modeller till intressenterna.

Så här visualiserar du dolda grupperingar i dina data

Dataklypning är processen att upptäcka dolda grupper av relaterade objekt inom dina data. I de flesta fall består ett kluster (gruppering) av dataobjekt av samma typ som användare av sociala nätverk, textdokument eller e-post.

Ett sätt att visualisera resultaten av en dataklyvningsmodell är ett diagram som representerar samhällsgrupper (kluster) som upptäcktes i data som samlats in från sociala nätverksanvändare. Uppgifterna om kunder samlades in i tabellformat; då applicerades en klustringsalgoritm på data, och de tre grupperna (grupper) upptäcktes: lojala kunder, vandrande kunder och rabattkunder.

Här föreslår det visuella förhållandet mellan de tre grupperna redan där förbättrade marknadsföringsinsatser kan göra det bästa.

Så här visualiserar du dataklassificeringsresultat

En klassificeringsmodell tilldelar en specifik klass till varje ny datapunkt som den granskar. De specifika klasserna, i det här fallet, kan vara de grupper som härrör från ditt klusterarbete. Utgången markerad i diagrammet kan definiera dina målsatser. För en viss ny kund försöker en prediktiv klassificeringsmodell att förutse vilken grupp den nya kunden kommer att tillhöra.

När du har tillämpat en klustringsalgoritm och upptäckt grupperingar i kunddata kommer du till ett ögonblick av sanningen: Här kommer en ny kund - du vill att modellen ska förutsäga vilken typ av kund han eller hon kommer att vara.

Här är ett exempel på hur en ny kunds information matas till din prediktiva analysmodell, vilket i sin tur förutser vilken kundgrupp den nya kunden tillhör. Nya kunder A, B och C ska tilldelas kluster enligt klassificeringsmodellen.

Användning av klassificeringsmodellen resulterade i en förutsägelse att kund A skulle höra till de lojala kunderna, kund B skulle vara en vandrare och kund C visade sig bara upp för rabatten.

Så här visualiserar du outliers i dina data

När du kluster eller klassificerar nya kunder, råkar du då och då ut i outliers - speciella fall som inte passar de befintliga divisionerna.

I det här exemplet passar några avvikare inte bra i de fördefinierade klustren. Sex outlier kunder har upptäckts och visualiserats. De beter sig på ett tillräckligt sätt så att modellen inte kan avgöra om de tillhör någon av de definierade kategorierna av kunder. (Är det något som säger en lojal vandrande kund som bara är intresserad av rabatten? Och om det finns, ska din affärsverksamhet?)