Video: Now Go Build with Werner Vogels EP1 - Jakarta 2024
Apabila menganalisis kualiti model ramalan, anda ingin mengukur ketepatannya. Ramalan lebih tepat ramalan model membuat, lebih berguna untuk perniagaan, yang merupakan petunjuk kualitinya. Ini semua baik - kecuali apabila peristiwa yang diramalkan jarang berlaku. Dalam kes sedemikian, ketepatan tinggi model ramalan mungkin tidak bermakna.
Contohnya jika kebarangkalian kejadian yang jarang berlaku ialah 5 peratus, model yang hanya menjawab & ldquo; tidak & rdquo; sepanjang masa apabila ditanya sama ada peristiwa langka yang berlaku adalah betul 95 peratus masa. Tetapi betapa bergunanya model seperti itu?
Oleh itu, jika perniagaan anda mesti berurusan secara rutin dengan peristiwa yang jarang berlaku (jika perkara sedemikian mungkin), jangan bergantung kepada ketepatan sahaja sebagai ukuran kebolehpercayaan model anda.
Dalam kes sedemikian, anda boleh menilai keberkesanan dan kualiti model ramalan berdasarkan bagaimana keadaan jarang berlaku. Metrik yang berguna untuk diikuti adalah untuk menentukan jenis kesalahan yang anda boleh terima dari model dan yang anda tidak boleh.
Berikut ialah senarai cepat cara lain untuk menilai model anda:
-
Semak untuk melihat sama ada output model memenuhi kriteria penilaian anda.
-
Buat strategi ujian supaya anda dapat menguji model anda secara berkala dan konsisten.
-
Mengukur seberapa baik model memenuhi matlamat perniagaan yang mana ia telah dibina.
-
Menilai risiko menggunakan model secara langsung.
Bantu setem terlalu banyak. Apabila membina model ramalan, perhatikan bahawa kumpulan data anda hanya sampel dari seluruh populasi. Selalu ada faktor yang tidak diketahui bahawa data anda tidak dapat dipertanggungjawabkan, tidak kira apa pun.
-
Melamar analisis model ramalan anda dengan berhati-hati, bermula dengan senarai semak cepat ini:
-
Sediakan data anda dengan penuh perhatian sebelum menggunakannya untuk melatih model anda.
-
Berhati-hati mempertimbangkan masalah sebelum menyertakan atau mengecualikannya.
-
Tetap berwaspada dalam ujian dan penilaian berulang.
-
Cross-check data sampel dan data ujian untuk mengelakkan daripada overfitting.
-
Konsultasikan pakar pengetahuan domain anda dengan kerap dan sesuai.
