présentée comme la prochaine grande chose, une analyse prédictive est prête à dominer le paysage de l’analyse avancée dans les prochaines années. Analytics India wary Study 2017 menée par AnalytixLabs & Analytics India Magazine (AIM) révèle que les professionnels de l’analyse avancée/modélisation prédictive sont mieux payés que leurs pairs.,
salaire annuel en Lacs
Source: AnalytixLabs&AIM
alors laissez-nous comprendre en détail comment construire un modèle prédictif et connaître les algorithmes les plus importants à apprendre en analyse prédictive.
L’analyse prédictive est une branche de l’analyse de données avancée qui implique l’utilisation de diverses techniques telles que l’apprentissage automatique, les algorithmes statistiques et d’autres techniques d’exploration de données pour prévoir les événements futurs sur la base de données historiques.,
le modèle est ensuite appliqué aux données actuelles pour prédire quelle serait la prochaine ligne de conduite ou suggestion pour le résultat.
Il existe différents algorithmes disponibles dans les catégories d’exploration de données, d’apprentissage automatique et de statistiques lorsque vous assemblez votre modèle d’analyse prédictive. À mesure que vous explorez les données, il devient plus facile de prendre d’autres décisions.
comment construire un modèle prédictif?,
construire un modèle prédictif est simple:
- obtenir les données – de différentes sources à partir de n’importe quel outil ETL
exemple: refer iris data – https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data
- diviser l’ensemble de données en deux parties (échantillon et données de vérification)
construire les données de l’échantillon qui fournit les informations sur les espèces de fleurs et ses mesures.,
Généralement, il existe de nombreux modèles d’analyse prédictive et ils peuvent être classés en 2 types:
- Classification – prédire une valeur qui est discrète à travers la catégorie et finie sans ordre
- régression-prédire une valeur qui est continue à travers la quantité numérique et infinie avec ordre:
les algorithmes largement utilisés dans l’analyse de données sont la régression linéaire et le réseau de neurones
régression linéaire: le modèle de régression simple suppose que la relation linéaire existe entre les variables d’entrée et de sortie.,
réseau neuronal: un réseau neuronal inspiré par le cerveau humain, un réseau de neurones interconnectés c’est-à-dire un ensemble d’unités de calcul, qui prend un ensemble d’entrées et transfère le résultat à une sortie prédéfinie. Les unités de calcul sont ordonnées disposées en couches de sorte que les caractéristiques d’un vecteur d’entrée peuvent être connectées à la caractéristique d’un vecteur de sortie.
L’idée derrière cela est souvent à l’entraîneur des réseaux de neurones pour modéliser les relations dans les données fournies.,
- créer un modèle basé sur les règles établies par l’algorithme pendant la phase d’entraînement.
- testez le modèle sur l’ensemble de données de vérification – les données sont transmises au Modèle et les valeurs prédites sont comparées aux valeurs réelles. Ainsi, le modèle est testé pour sa précision.
- utilisez le modèle sur les nouvelles données entrantes et effectuez des actions en fonction de la sortie du modèle.
d’Autres algorithmes importants:
les modèles Prédictifs viennent dans différentes formes. Il existe différentes méthodes qui peuvent être utilisées pour créer un modèle, et la plupart d’entre eux sont en train d’être développées.,
Les modèles prédictifs les plus courants sont:
modèles linéaires: c’est un algorithme statistique très largement utilisé pour construire un modèle de relation entre deux variables. Une variable est appelée variable prédictive dont la valeur est recueillie par des expériences, tandis que l’autre variable est appelée variable de réponse dont la valeur est dérivée de la variable prédictive.
arbres de décision (également appelés arbres de classification et de régression ou CART): il s’agit d’un graphique utilisé pour représenter les possibilités et leurs résultats sous la forme d’un arbre., Les nœuds du graphique représentent un événement ou un choix et les arêtes du graphique représentent les règles ou conditions de décision.
machines à Vecteurs de Support (SVM) en apprentissage automatique: la machine à Vecteurs de support recherche les points les plus proches et est connue sous le nom de « vecteurs de support” ” le nom est dû au fait que les points sont comme des vecteurs dont la ligne la plus simple « dépend” ou est « supportée par” les points les plus proches.
Une fois qu’il détecte les points les plus proches, il trace une ligne les reliant en faisant une soustraction vectorielle (point A – Point B)., La machine à Vecteurs de support déclare alors que la meilleure ligne de séparation est la ligne qui coupe en deux-et est perpendiculaire-à la ligne de connexion.
Naive Bayes: c’est un algorithme d’apprentissage automatique principalement utilisé pour les problèmes de classification. Il est basé sur le théorème de probabilité de Bayes ou alternativement connu comme la règle de Bayes ou la loi de Bayes. Il est utilisé pour la classification de texte qui implique des ensembles de données de formation de haute dimension.
C’est un algorithme simple et connu pour son efficacité à créer rapidement des modèles et faire des prédictions en utilisant cet algorithme., L’algorithme naïf de Bayes est principalement considéré pour résoudre le problème de classification de texte. Par conséquent, recommander d’apprendre l’algorithme à fond.,
exemples: filtrage du spam, classification des articles de presse et analyse sentimentale
théorème de Bayes représenté par l’équation suivante:
- : Probabilité (probabilité conditionnelle) d’occurrence d’un événement étant donné que l’événement est vrai
- et: probabilités d’occurrence d’un événement et respectivement
- : Probabilité d’occurrence de l’événement étant la demande croissante pour l’analyse prédictive peut voir des professionnels d’autres flux rejoindre le train en marche., Si vous souhaitez obtenir un avantage sur vos pairs et faire partie de cette nouvelle avenue de croissance, vous pouvez explorer notre cours D’analyse D’entreprise certifié NSE ainsi que PGD en science des données.