Bagaimana untuk menggambarkan keputusan analisis model anda: pengelasan tersembunyi, klasifikasi data dan outliers - dummies

Visualisasi hasil analisa ramalan anda benar-benar membantu para pemangku kepentingan memahami langkah seterusnya. Berikut adalah beberapa cara untuk menggunakan teknik visualisasi untuk melaporkan hasil model anda kepada pihak berkepentingan.

Bagaimana untuk menggambarkan kumpulan tersembunyi dalam data anda

Pengklasifikasian data adalah proses untuk mengetahui kumpulan tersembunyi item berkaitan dalam data anda. Dalam kebanyakan kes, kluster (pengelompokan) terdiri daripada objek data jenis yang sama seperti pengguna rangkaian sosial, dokumen teks, atau e-mel.

Satu cara untuk memvisualisasikan hasil model kluster data adalah graf yang mewakili komuniti sosial (kelompok) yang ditemui dalam data yang dikumpulkan dari pengguna rangkaian sosial. Data mengenai pelanggan dikumpulkan dalam format tabular; maka algoritma pengelompokkan digunakan untuk data, dan tiga kelompok (kumpulan) ditemui: pelanggan setia, pelanggan yang mengembara, dan pelanggan diskaun.

Di sini, hubungan visual antara ketiga-tiga kumpulan sudah mencadangkan di mana usaha pemasaran yang lebih baik mungkin melakukan yang paling baik.

Bagaimana untuk memvisualisasikan hasil klasifikasi data

Model klasifikasi memberikan kelas khusus kepada setiap titik data baru yang diteliti. Kelas-kelas tertentu, dalam kes ini, boleh menjadi kumpulan yang dihasilkan dari kerja kluster anda. Output yang diketengahkan dalam graf boleh menentukan set sasaran anda. Bagi mana-mana pelanggan baru yang diberikan, model klasifikasi ramalan cuba untuk meramalkan kumpulan mana yang pelanggan baru akan dimiliki.

Selepas anda menggunakan algoritma kluster dan mendapati pengelompokan dalam data pelanggan, anda datang ke saat kebenaran: Di sini datang pelanggan baru - anda mahu model itu meramalkan jenis pelanggan mana dia atau dia akan menjadi.

Berikut adalah satu contoh bagaimana maklumat pelanggan baru diberi makan kepada model analisis ramalan anda, yang seterusnya meramalkan kumpulan pelanggan mana yang pelanggan baru ini kepunyaan. Pelanggan Baru A, B, dan C akan ditugaskan kepada kluster mengikut model klasifikasi.

Memohon model klasifikasi menghasilkan ramalan bahawa Pelanggan A akan menjadi pelanggan setia, Pelanggan B akan menjadi pengembara, dan Pelanggan C hanya muncul untuk diskaun.

Bagaimana untuk memvisualisasikan data luar dalam data anda

Dalam proses pengelompokan atau pengelasan pelanggan baru, setiap sekarang dan kemudian anda menjalankan outliers - kes-kes khas yang tidak sesuai dengan bahagian yang ada.

Dalam contoh ini, beberapa pengecualian tidak sesuai dengan kelompok yang telah ditentukan sebelumnya. Enam pelanggan outlier telah dikesan dan digambarkan. Mereka bertindak dengan cara yang berbeza bahawa model itu tidak dapat memberitahu sama ada mereka tergolong dalam kategori pelanggan tertentu. (Adakah terdapat perkara seperti, katakan, pelanggan yang mengembara yang setia yang hanya berminat dengan diskaun? Dan jika ada, patutkah penjagaan perniagaan anda?)