Teknik Pemodelan dalam Analisis Perniagaan dengan R



Blog memberikan pengenalan ringkas mengenai Teknik Pemodelan dalam Analisis Perniagaan dengan R.

Teknik Pemodelan yang berbeza:

Kami dapat membahagikan sebarang masalah ke dalam proses yang lebih kecil:





Pengelasan - adalah, di mana kita mengklasifikasikan data. Cth. penyakit semua penyakit menunjukkan tingkah laku tertentu, dan kita dapat mengklasifikasikannya lebih jauh.

Contohnya: penyakit yang mengurangkan imuniti, penyakit yang menyebabkan sakit kepala, dll.



Regresi - melibatkan mengetahui hubungan antara pelbagai pemboleh ubah.

Contohnya: bagaimana berat badan manusia berkaitan dengan ketinggiannya.

jenis transformasi dalam maklumat

AnomolPengesanan - pada dasarnya adalah turun naik.



Contohnya: Sekiranya voltan tinggi atau voltan rendah.

Contoh lain boleh merangkumi tingkah laku yang diatur yang melibatkan memandu di sebelah kanan atau kiri berdasarkan negara. Anomoli di sini adalah seseorang yang memandu dari seberang.

Contoh lain ialah pencerobohan rangkaian. Di sini, pengguna yang disahkan log masuk ke laman web syarikat anda, dan jika seseorang tidak membuat log masuk, itu adalahAn0moly.

Kepentingan Atribut - Pada dasarnya memberikan pelbagai atribut, seperti tinggi, berat badan, suhu, degupan jantung. Satu perkara yang perlu diperhatikan adalah bahawa semua sifat ini penting untuk tugas.

pengabstrakan data dalam c ++

Contohnya: Seseorang cuba membuat ramalan, pukul berapa seseorang akan sampai ke pejabat. Setiap atribut memainkan peranan penting tetapi tidak semua atribut itu penting.

Peraturan Persatuan - Dalam istilah yang lebih sederhana, ini adalah untuk menganalisis atau meramalkan tingkah laku berikutnya, di mana ia berkisar pada mesin cadangan.

Contohnya: Seseorang yang membeli roti juga boleh membeli susu. Sekiranya kita menganalisis tingkah laku membeli-belah yang lalu, semua item di dalam keranjang mempunyai hubungan. Dalam kes ini, ada kemungkinan orang yang membeli roti juga akan membeli susu.

Penggabungan - Ini adalah salah satu teknik tertua dalam statistik. Sebenarnya, seseorang selalu dapat memodelkan sebarang masalah, baik itu klasifikasi atau pengelompokan, yang bermaksud mengelompokkan entiti yang serupa.

Sebagai contoh:

1) Ambil bakul epal dan oren, di mana kita boleh memisahkan epal dari jeruk.

2) Kes penggunaan yang penting untuk pengelompokan adalah penjagaan kesihatan. Hampir semua statistik dan analisis dimulakan dengan kes penggunaan penjagaan kesihatan. Untuk lebih mendalam, ada istilah pengelompokan yang disebut kohort (orang dengan penyakit serupa), sehingga mereka dapat dipelajari secara terpisah dari pelanggan yang ada. Sebagai contoh, jika 10 orang menderita demam dan 10 orang lagi mengalami sakit kepala, kita akan menemui apa yang biasa di antara mereka dan menghasilkan ubat.

Pengekstrakan Ciri - Dalam ketepatan pengekstrakan ciri, kesahan dan kegagalan cukup relevan. Dengan kata lain, pengekstrakan ciri boleh disebut sebagai pengecaman corak.

cara membalikkan bilangan bulat dalam python

Sebagai contoh:

Dalam carian Google, apabila pengguna memasukkan istilah, ia menghasilkan hasil. Sekarang, satu persoalan penting yang harus diajukan adalah bagaimana ia tahu, halaman mana yang relevan dan tidak relevan dengan istilah tersebut? Ini dapat dijawab dengan pengekstrakan fitur dan pengecaman corak, di mana ia menambah ciri yang menonjol. Katakan gambar diberikan, kamera tertentu mengesan wajah, menyerlahkan wajah untuk memberikan gambar yang cantik, yang juga menggunakan pengecaman ciri.

Pembelajaran Berselia vs Pembelajaran Tanpa Pengawasan

ke) Kategori Ramalan - Tekniknya meliputi regresi, logistik, rangkaian saraf dan pohon keputusan. Beberapa contoh termasuk pengesanan penipuan (di mana komputer belajar dan meramalkan penipuan seterusnya dari sejarah penipuan sebelumnya). Dalam pembelajaran tanpa pengawasan, seseorang tidak dapat meramalkan dengan contoh kerana tidak ada data sejarah.

b) Kategori Pengelasan - Mengambil contoh, sama ada transaksi itu penipuan atau tidak, ia memasuki kategori klasifikasi. Di sini, kami mengambil data sejarah dan mengklasifikasikannya dengan keputusan atau sekiranya kami tidak mengambil data sejarah sama sekali, maka kami secara langsung memulakan data dan cuba memanfaatkan ciri-ciri kami sendiri. Contohnya, jika kita perlu mengetahui pekerja, yang kemungkinan akan meninggalkan organisasi atau kemungkinan akan tinggal. Sekiranya, ini adalah organisasi baru, di mana kita tidak dapat menggunakan data sejarah, kita selalu dapat menggunakan pengelompokan untuk pengekstrakan data.

c) Kategori Penerokaan - Ini adalah kaedah lurus ke depan, yang muncul dengan, apa maksud data besar. Dalam pembelajaran tanpa pengawasan, ia disebut komponen prinsip dan pengelompokan.

d) Kategori Perkaitan - di sini terdapat banyak elemen yang terlibat seperti penjualan silang / kenaikan harga, analisis keranjang pasaran. Dalam analisis keranjang, tidak ada pembelajaran yang diawasi kerana tidak ada data sejarah. Oleh itu, kami mengambil data secara langsung dan mencari perkaitan, penjujukan dan analisis faktor.

Ada soalan untuk kami? Sebutkannya di bahagian komen dan kami akan menghubungi anda.

Catatan berkaitan: