Principes de base du processus de classification des données Predictive Analytics - Mannequins

Au niveau brassin, la classification prédictive des données analytiques se compose de deux étapes: l'étape d'apprentissage et la phase de prédiction. L'étape d'apprentissage consiste à former le modèle de classification en exécutant un ensemble de données passées dans le classificateur. L'objectif est d'apprendre à votre modèle à extraire et découvrir des relations et règles cachées - les règles de classification à partir de données historiques (formation). Le modèle le fait en utilisant un algorithme de classification.

L'étape de prédiction qui suit l'étape d'apprentissage consiste à faire prédire au modèle de nouvelles étiquettes de classe ou des valeurs numériques qui classent des données qu'il n'a pas vues auparavant (c'est-à-dire des données de test).

Pour illustrer ces étapes, supposons que vous soyez propriétaire d'une boutique en ligne qui vend des montres. Vous avez possédé la boutique en ligne pendant un certain temps, et avez rassemblé beaucoup de données transactionnelles et de données personnelles sur les clients qui ont acheté des montres de votre magasin. Supposons que vous ayez capturé ces données via votre site en fournissant des formulaires Web, en plus des données transactionnelles que vous avez collectées lors des opérations.

Vous pouvez également acheter des données auprès d'un tiers qui vous fournit des informations sur vos clients en dehors de leur intérêt pour les montres. Ce n'est pas aussi dur que cela puisse paraître; Il existe des entreprises dont le modèle d'affaires est de suivre les clients en ligne et de collecter et de vendre des informations précieuses à leur sujet.

La plupart de ces sociétés tierces rassemblent des données provenant de sites de médias sociaux et appliquent des méthodes d'exploration de données pour découvrir la relation entre les utilisateurs individuels et les produits. Dans ce cas, en tant que propriétaire d'un magasin de montres, vous seriez intéressé par la relation entre les clients et leur intérêt à acheter des montres.

Vous pouvez déduire ce type d'informations en analysant, par exemple, un profil de réseau social d'un client, ou un commentaire de microblog du type que vous trouvez sur Twitter.

Pour mesurer le niveau d'intérêt d'un individu dans les montres, vous pouvez appliquer l'un des outils d'analyse de texte permettant de découvrir ces corrélations dans le texte écrit d'un individu (statuts de réseaux sociaux, tweets, blogues, etc.) ou en ligne. tels que les interactions sociales en ligne, les téléchargements de photos et les recherches).

Après avoir recueilli toutes ces données sur les transactions passées et les intérêts actuels de vos clients - les données d'entraînement qui montrent votre modèle à rechercher - vous devrez l'organiser en une structure qui le rendra facile d'accès et d'utilisation (comme une base de données).

À ce stade, vous avez atteint la deuxième phase de la classification des données: l'étape de prédiction,, qui consiste à tester votre modèle et l'exactitude des règles de classification qu'il a générées. À cette fin, vous aurez besoin de données client historiques supplémentaires, appelées données de test (qui sont différentes des données d'apprentissage).

Vous alimentez ces données de test dans votre modèle et mesurez l'exactitude des prédictions qui en résultent. Vous comptez les heures où le modèle a correctement prédit le comportement futur des clients représentés dans vos données de test. Vous comptez également les heures où le modèle a fait de fausses prédictions.

À ce stade, vous n'avez que deux résultats possibles: Soit vous êtes satisfait de l'exactitude du modèle, soit vous n'êtes pas:

• Si vous êtes satisfait, vous pouvez commencer à préparer votre modèle prédictions dans le cadre d'un système de production.

• Si vous n'êtes pas satisfait de la prédiction, vous devrez recycler votre modèle avec un nouveau jeu de données d'entraînement.

Si vos données d'entraînement d'origine n'étaient pas assez représentatives du bassin de vos clients ou si elles contenaient des données bruyantes qui faussaient les résultats du modèle en introduisant de faux signaux, il y a encore du travail à faire pour que votre modèle fonctionne. L'un ou l'autre résultat est utile à sa manière.