发帖
雷达卡
什么是预测建模？
预测建模是一种数据挖掘技术，它分析历史和当前数据以生成预测未来结果的模型。
让我们借助一个简单的例子来理解预测建模。如果客户从电子商务网站购买笔记本电脑，他/她可能会立即对其配件和几年后的新电池感兴趣。目前，该人从竞争对手的网站购买配件的机会非常渺茫。
预测建模使企业能够根据数据和分析技术进行预测。
从哪里获得用于预测建模的数据？
预测建模从数据中汲取全部力量。预测建模的第一步是使用各种来源进行数据收集。它可能是从网站获得的客户数据，例如过去访问过的页面，或者是买家自己通过填写注册表单提供的数据。组织从各种来源收集数据，但其中大部分数据是“脏”和非结构化的，需要借助 数据清理流程进行清理和处理。
为什么预测模型需要清洁数据？
为了获得能够产生可靠的未来洞察力的模型，必须避免数据中的建模噪音。建模噪声会导致模型精度下降。除此之外，非结构化和格式不正确的数据无法通过计算机轻松排序。
例如，在查看 location 下的条目时，人类可能会理解“America”、“US”和“USA”的含义相同，但除非另有说明，否则计算机会认为它们不同。
除了使预测建模更准确之外，干净的数据还通过以下方式提高了企业的整体生产力：
如何获得干净的数据？
数据清洗包括以下三个步骤：
步骤 1. 从数据集中删除重复或不相关的观察结果。
在数据收集过程中会出现重复的观察或重复的数据点，例如在组合来自多个地方的数据集时，从客户和其他部门接收数据时。
不相关数据是不适合我们试图解决的特定问题的数据。例如，如果我们获得有关美利坚合众国的数据，其他国家/地区的数据将被视为无关紧要。
步骤 2. 修复结构性错误。
结构误差是在测量和数据传输过程中出现的误差。修复结构性错误可能涉及几件事，例如修复拼写错误或大小写不一致。
以下是一些结构性错误的示例：
“国家”与“国家”相同。
“不适用”与“不适用”相同。
“摇带状疱疹”与“摇晃带状疱疹”相同。
步骤 3. 过滤不需要的异常值
异常值是指位于外部的数据。例如，在下面的数据集中，1 和 201 是异常值，因为“1”的值非常低，而“201”的值非常高。
1, 99, 100, 103, 105, 109, 110, 201
异常值可能会导致某些类型的模型出现问题，但仅仅因为一个值位于外部，它不应该被丢弃；丢弃异常值必须有正当理由。
步骤 4. 处理缺失的数据
在数据集中不能忽略缺失的数据。有两种常用的处理缺失数据的方法：
删除具有缺失值的观察。
根据其他观察估算缺失值（为缺失值分配一些值）。
然而，处理缺失数据的最佳方法是简单地将它们标记为“缺失”。
通过完成上述步骤，您将拥有一个强大的数据集，用于构建高效且可靠的预测模型。
干净的数据是什么样的？
正确清理数据后，您将拥有一个具有以下特性的数据集：
它是有效的。 干净的数据将符合您定义的业务规则或约束。
这是准确的。 已正确清理的数据将接近真实值。
这是一致的。 正确清理的数据在同一数据集中和多个数据集中是一致的。
它是统一的。 将使用相同的度量单位指定清理后的数据。
它是合规的：干净和高质量的数据符合隐私法规，例如 GDPR 和 CCPA。
结论
数据清理或清理是使用预测分析做出高效和有效的业务决策的重要一步。因此，必须通过执行良好的质量清理程序来满足数据清理的要求。确保这一步骤将帮助企业节省大量金钱和精力，以及一些常见的陷阱。
相关帖子DA内容精选
|
京公网安备 11010802022788号
