Vorhersagemodell

Bevor Sie mit der Erstellung von einem Vorhersagemodell beginnen, sollten Sie unbedingt Ihren Anwendungsfall abgrenzen, um das Ziel der Analyse und die Art und Weise, wie das Modell von Ihren operativen Teams verwendet werden soll, besser zu bestimmen. Je nach Art Ihres Ziels (qualitativ oder quantitativ) müssen Sie zwischen Klassifikations- oder Regressionsalgorithmen wählen.

Um beispielsweise den Absatz Ihres Unternehmens zu optimieren, können Sie anhand von Regressionsmodellen die Auswirkungen neuer Marketingkampagnen auf Ihren Teil des Marktes vorhersagen (auf der Grundlage historischer Beobachtungen), während Klassifikationsmodelle Ihnen helfen könnten, Ihre Kunden besser zu segmentieren, um Ihre Geschäftsstrategie besser zu steuern.

Sobald Sie Ihre Wahl getroffen haben, müssen Sie wissen, welches theoretische Modell für Ihr spezifisches Problem am besten geeignet ist. Es gibt viele Algorithmen in jeder dieser beiden Kategorien, und die richtige Wahl zu treffen ist nicht immer einfach: die Wahl zwischen einer linearen, polynomialen oder logistischen Regression, die Wahl zwischen einem Entscheidungsbaum, einer SVM oder einem neuronalen Netz und andere ähnliche Fragen können die Entscheidung erschweren. Die technischen Merkmale dieser Methoden machen sie mehr oder weniger geeignet, nicht nur hinsichtlich Ihres Themas (Art der Eingabedaten, Anzahl der Dimensionen, erwartetes Ergebnis usw.), sondern auch hinsichtlich Ihrer spezifischen Bedürfnisse (z. B. Geschwindigkeit, Leistung, …).

Die Kompetenz zur Interpretation der Ergebnisse des Algorithmus ist ein wesentlicher Aspekt. Denn unser Ziel ist es nicht, technische Undurchsichtigkeit in Ihre Prozesse bringen, sondern diese zu vereinfachen und sicherzustellen, dass das Modell im Tagesgeschäft Ihres Unternehmens genutzt werden kann.

Um den richtigen Algorithmus zu finden, sind daher sowohl technisches Fachwissen als auch ein solides Wissen und Verständnis der geschäftlichen Herausforderungen erforderlich.

Wie wählen Sie das Modell aus, das am besten zu Ihrer Fragestellung und Ihrem Analysebedarf passt?

Sobald der richtige Algorithmus ausgewählt wurde, besteht eine weitere technische Herausforderung darin, die Parameter und Kalibrierungen anzupassen, um eine Überanpassung des Modells an die verfügbaren Daten zu vermeiden. Die Qualität des Modells wird anhand verschiedener Indikatoren für die Zuverlässigkeit der Vorhersage geprüft, z. B. Präzision (Rate der korrekten Erkennungen), Sensitivität (Fähigkeit zur korrekten Erkennung der „Wahrheit“) und Spezifität (Fähigkeit zur Erkennung von „Unwahrheiten“).

Der Versuch, diese Indikatoren zu maximieren, kann dazu führen, dass eine enorme Anzahl von Variablen in das Vorhersagemodell einbezogen oder immer komplexere Modelle verwendet werden. Es ist wichtig, eine Stichprobe des Datensatzes (engl.: datasets) zu behalten, um das Modell zu testen, anstatt es zu trainieren. Da die Trainingsdaten oft homogener sind als die realen Werte, ist es auch wichtig, die Komplexität des Machine-Learning-Modells auf ein Minimum zu beschränken. Die Kombination der Ergebnisse verschiedener Modelle ist eine Technik, mit der sich die enthaltenen Verzerrungen der einzelnen Modelle begrenzen lassen.

Wie kann man die Qualität der Parameter sicherstellen? Wie kann ein Vorhersagemodell angepasst werden, um Szenarien zu antizipieren, die mit Ereignissen zusammenhängen, die nie stattgefunden haben?

Bei der Kalibrierung und dem Training des Modells ist auch der Dateninput ein kritischer Punkt. Neben der Datenmenge (die eine der größten Herausforderungen bei der Erstellung eines Modells für maschinelles Lernen darstellt) sind auch die Qualität und Repräsentativität der Daten entscheidend, um relevante Schlussfolgerungen zu ziehen. Vor allem unausgewogene Daten können das Training des Modells verzerren. Wenn Sie beispielsweise einen Algorithmus zur Klassifizierung von Katzen- und Hundebildern anhand von 1000 Katzen- und 100 Hundebildern trainieren, wird sich bei der Klassifizierung der neuen Bilder die Erkenntnis durchsetzen, dass Katzen häufiger vorkommen.

Dieses Ungleichgewicht kann leicht festgestellt werden, wenn es das Hauptobjekt der Erfassung ist. Jedoch wird es schwieriger zu erkennen, wenn das Ungleichgewicht von einem bestimmten Objekt innerhalb einer Gruppe von anderen Objekten ausgeht, wie z. B. eine Überrepräsentation von Kätzchen in den Bildern. Eine historische Datenbank kann verzerrt sein, wie beispielsweise eine Datenbank für klinische Studien, in denen weiße Männer im Vergleich zur Allgemeinbevölkerung überrepräsentiert sind. Bei der Datenerfassung ist es wichtig, diese Verzerrungen in unseren Datenquellen zu erkennen und zu korrigieren, indem wir die Größe der überrepräsentierten Stichprobe reduzieren (Undersampling) oder die Größe der unterrepräsentierten Stichprobe künstlich erhöhen (Oversampling).

Wie können wir die Quellen für Eingabedaten besser auswählen, um Verzerrungen beim Training der Algorithmen zu vermeiden?

Neben der Bereinigung der Datenquellen im Vorfeld ist es oft notwendig, die später gesammelten Massendaten zu bereinigen. Dieser kritische Schritt entscheidet in allen datenwissenschaftlichen Prozessen über den Erfolg der Analyse auf der analytischen Ebene sowie über ihren Wert auf der interpretativen Ebene. Es kann notwendig sein, Entscheidungen zur Verbesserung des Signal-Rausch-Verhältnisses zu treffen, was dazu führen kann, dass ein Teil des Signals eliminiert wird. Insbesondere der Bereich der Datenwissenschaft, der sich auf die Analyse von Textdaten konzentriert, die Verarbeitung natürlicher Sprache (NLP), kann je nach verwendeter Quelle eine besonders robuste Datenbereinigung erfordern. Das Sammeln von Informationen aus sozialen Medien zum Beispiel erfordert viel Arbeit, um falsch geschriebene Wörter oder Abkürzungen zu erkennen und zu interpretieren.

Welche Daten und Informationen sind so reichhaltig, dass ihre Analyse einen Mehrwert bringt? Wie können wir einen Mehrwert aus unserer internen oder externen Datenbank ziehen?