Vidéo: DSC curve interpretation training course 2025
Malgré tout ce qu'on vous a dit au sujet des hypothèses qui causent des problèmes, quelques hypothèses restent au cœur de tout modèle d'analyse prédictive. Ces hypothèses apparaissent dans les variables sélectionnées et prises en compte dans l'analyse - et ces variables affectent directement la précision de la sortie du modèle final.
Par conséquent, votre précaution la plus judicieuse est d'identifier les hypothèses les plus importantes pour votre modèle et de les limiter au strict minimum.
Créer un modèle prédictif qui fonctionne bien dans le monde réel nécessite une connaissance intime de l'entreprise. Votre modèle commence en ne connaissant que les données de l'échantillon - en termes pratiques, presque rien. Alors commencez petit et continuer à améliorer le modèle si nécessaire.
La recherche de questions et de scénarios possibles peut mener à des découvertes clés et / ou apporter plus de lumière sur les facteurs en jeu dans le monde réel. Ce processus peut identifier les variables de base qui pourraient affecter le résultat de l'analyse.
Dans une approche systématique de l'analyse prédictive, cette phase - explorant des scénarios de simulation - est particulièrement intéressante et utile. C'est ici que vous modifiez les entrées du modèle pour mesurer les effets d'une variable ou d'une autre sur la sortie du modèle; ce que vous testez vraiment, c'est sa capacité de prévision.
Améliorer les hypothèses du modèle - en testant leur impact sur la sortie du modèle, en essayant de voir à quel point le modèle est sensible et en les réduisant au minimum - vous aidera à orienter le modèle vers une capacité prédictive plus fiable. Avant de pouvoir optimiser votre modèle, vous devez connaître les variables prédictives , qui ont un impact direct sur sa sortie.
Vous pouvez dériver ces variables de décision en exécutant plusieurs simulations de votre modèle - en changeant quelques paramètres à chaque passage - et en enregistrant les résultats, en particulier la précision des prévisions du modèle. Habituellement, vous pouvez retracer les variations de précision jusqu'aux paramètres spécifiques que vous avez modifiés.
À ce stade, le XXIe siècle peut demander de l'aide au quatorzième siècle. William d'Ockham, un franciscain franciscain anglais et philosophe scolastique qui a vécu dans les années 1300, a développé le principe de recherche connu sous le nom de rasoir d'Occam: Vous devez supprimer les hypothèses inutiles jusqu'à ce que votre théorie a aussi peu que possible. Ensuite, il est plus probable d'être vrai.
Trop d'hypothèses pèsent sur les prévisions de votre modèle avec des incertitudes et des inexactitudes.L'élimination des variables inutiles conduit à un modèle plus robuste, mais il n'est pas facile de décider quelles variables inclure dans l'analyse - et ces décisions affectent directement la performance du modèle.
Mais voici où l'analyste peut rencontrer un dilemme: Inclure des facteurs inutiles peut fausser ou déformer la sortie du modèle, mais exclure une variable pertinente laisse le modèle incomplet.
Alors, quand vient le temps de sélectionner ces variables de décision importantes, appelez vos experts en connaissances du domaine. Lorsque vous disposez d'un ensemble précis de variables de décision basées sur la réalité, vous n'avez pas à faire trop d'hypothèses - et le résultat peut être moins d'erreurs dans votre modèle prédictif.
