LOGIN
ثبت نام یا ورود
Avatar
هنوز ثبت نام نکرده اید؟

هم اکنون عضو پلاک آبی شوید .و به اطلاعات وب سایت ما دسترسی داشته باشید

تنظیم مجدد کلمه عبور - نام کاربری را فراموش کرده ام

نام کاربری
کلمه عبور
مرا به خاطر بسپار

هفت Best Practice در تهیه Business Case برای افزودن رویکرد Analytics به یک محصول نرم افزاری

اشتباهات رایج در تجزیه و تحلیل پیشگویانه اشتباهات رایج در تجزیه و تحلیل پیشگویانه

اشتباهات رایج در تجزیه و تحلیل پیشگویانه

  • گروه هوش کسب و کار ایرانیان نوشته شده توسط گروه هوش کسب و کار ایرانیان
  • Update: 12/09/1395
  • این مورد را ارزیابی کنید
    (6 رای‌ها)

تجزیه و تحلیل پیشگویانه همیشه ما را به نتایج شگفت انگیزی می‌رساند. اما مدل های پیش بینی ضد گلوله نیستند! در این مقاله به ذکر اشتباهات رایج در این زمینه می‌پردازیم.


 تجزیه و تحلیل پیشگویانه همیشه ما را به نتایج شگفت انگیزی می‌رساند. تصمیم گیری برای آینده، با کمک کشف الگوهای موجود در داده های تاریخی گذشته، در تمام صنایع کاربردهای فراوانی دارد. اما مدل های پیش بینی، ضد گلوله نیستند! همیشه ممکن است اشتباهاتی پیش بیاید که این مدل ها به‌درستی عمل نکنند. در زیر به 10 اشتباه رایج که تجزیه و تحلیل گران را به دام می‌اندازد می‌پردازیم:

اشتباهات رایج در تجزیه و تحلیل پیشگویانه

  • به‌کارگیری فرضیه‌های نادرست روی مجموعه داده های آموزشی (Training Data) اساسی. تخصیص زمان ناکافی برای درک داده ها و روندهای موجود و داده های از دست رفته و پرت

  • کار کردن با حجم کم داده ها که منجر به ایجاد مدل های آماری ضعیف، غیرقابل اتکا، و بی ثبات می‌شود.

  • ایجاد مدل هایی با شاخه‌های زیاد که باعث ایجاد noise در مدل می‌شود

  • جهت گیری و یک جانبه بودن، و به اصطلاح bias بودن داده های آموزشی

  • قرار گرفتن داده های آزمایشی در مجموعه داده های آموزشی. گاهی این ایده موجب می‌شود تصور کنید مدل به شکل فوق‌العاده‌ای عمل خواهد کرد اما در واقعیت، مدل پیش بینی با شکست مواجه می‌شود. در دنیای تجزیه و تحلیل پیشگویانه، هرگاه به نظر برسد که نتایج برای واقعی بودن بیش از حد خوب هستند، ارزش دارد که یک بار دیگر برای ارزیابی مدل وقت بگذارید و حتی ایده‌ی دیگری را برای کنترل کار خود بیازمایید!

  • کافی نبودن خلاقیت به‌کارگرفته شده در برخورد با داده ها: مدل های پیشگویانه را می‌توان با ایجاد برخی مشخصات یا ویژگی‌های هوشمندانه که برای توضیح بهتر روندها در داده ها تعریف می‌شوند، بهبود داد. صرف وقت کافی برای منظور نمودن داده هایی که مدل ها را تقویت می‌کند و الگوریتم‌ها را بهبود می‌بخشد، موضوعی است که بسیاری از متخصصین علوم داده نسبت به آن سهل انگاری می‌کنند!

  • تصور این که ماشین، مشکلات و مسائل کسب و کار را درک می‌کند! ماشین‌ها هنوز نمی‌توانند تشخیص دهند که مشکلات و مسائل کسب و کار کدامند و بهترین روش برای مواجهه با مشکلات چیست. بنابراین، لازم است همیشه دقت کافی به خرج داد و با کلیه افراد و ذینفعان کسب و کار با هدف تهیه‌ی بهترین مدل تعامل کرد.

  • استفاده از شاخص‌های نامناسب برای اندازه‌گیری کارآیی مدل

  • استفاده از مدل های خطی در زمانی که ارتباط میان مشخصات غیرخطی است و لازم است که از مدل های غیرخطی استفاده کرد

  • فراموش کردن نقاط پرت (outliers)

  • تنظیم قواعد و ضوابط قبل از استانداردسازی داده ها

  • در نظر نگرفتن شرایط واقعی در ایجاد مدل، به نحوی که در مرحله‌ی پیاده‌سازی، مدل با سیستم عملیاتی یکپارچه نشود. ممکن است یک مشخصه‌ی بسیار پیش‌بینی کننده مانند جنسیت در مدل در نظر گرفته شده باشد، اما به دلیل ضوابط و قوانین، امکان استفاده از این فیلد را در مدلسازی مهیا نشود، یا به‌کارگیری این فیلد در مدل به آینده موکول شده باشد.

  • استفاده از ویژگی‌هایی در مدل، که به‌دلایل عملیاتی در آینده قابل دسترسی نخواهند بود

  • در نظر نگرفتن واقعیت‌های دنیای واقعی و عواقب احتمالی استفاده از تجزیه و تحلیل های پیشگویانه در برخی موضوعات اجتماعی و فرهنگی. در بعضی موارد حتی اگر احتمال وقوع نتیجه‌ی پیشگویی بسیار بالا باشد، به دلیل برخی ملاحظات فرهنگی و اجتماعی، الزاماً هرآنچه را که می‌شود پیشگویی کرد، نباید عنوان نمود. در این مورد می‌توان به نتیجه‌ی انتشار خبر مدل های تجزیه و تحلیل پیشگویانه برای پیشگویی باردار شدن نوجوانان قبل از آن‌که والدین آن‌ها خبردار شوند در امریکا اشاره کرد!

 

این متن ترجمه‌ی آزادی است از مقاله‌ی  The Top Predictive Analytics Pitfalls to avoid 

 

خواندن 498 دفعه آخرین ویرایش در شنبه, 20 آذر 1395 ساعت 10:58
  • هیچ نظری یافت نشد

نظر خود را اضافه کنید.

ارسال نظر به عنوان مهمان

0
نظر شما به دست مدیر خواهد رسید
 تماس با ما

شهرک غرب، بلوار فرحزادی، خیابان تربیت معلم،
انتهای خیابان گلبان،
مجتمع موج، واحد 105
کد پستی: 1998963193
تلفن: 5 - 88560784
فکس: 88560786
پست الکترونیک:
info @ p l a c a b i . com
ibig @ p l a c a b i . com

 

We use cookies to improve our website. By continuing to use this website, you are giving consent to cookies being used. More details…