什麼是預測建模？
預測建模使用已知結果來創建、處理和驗證可用於預測未來結果的模型。它是預測分析中使用的工具，是一種數據挖掘技術，試圖回答“未來可能發生什麼？”的問題。
要點
- 預測建模使用已知結果來創建、處理和驗證可用於進行未來預測的模型。
- 迴歸和神經網絡是兩種最廣泛使用的預測建模技術。
- 公司可以使用預測模型來預測事件、客戶行爲以及金融、經濟和市場風險。
瞭解預測建模
通過分析歷史事件，公司可以使用預測模型來提高預測事件、客戶行爲以及金融、經濟和市場風險的概率。
快速的數字產品遷移爲企業創造了海量可用的數據。公司利用大數據來改善客戶與企業關係的動態。這些大量的實時數據是從社交媒體、互聯網瀏覽歷史記錄、手機數據和雲計算平臺中檢索的。
然而，數據通常是非結構化的，並且過於複雜，人類無法快速分析。由於數據量巨大，公司通常通過計算機軟件程序使用預測建模工具。這些程序處理大量歷史數據以評估和識別其中的模式。從那裏，該模型可以提供歷史記錄以及對可能再次或將來發生哪些行爲或事件的評估。
財務分析師可以使用預測模型根據所建模的財務數據的量化特徵來估計投資結果。
預測建模的歷史
只要人們擁有信息、數據和使用它來查看可能結果的方法，預測模型就可能被使用。據傳現代預測模型始於 20 世紀 40 年代，當時政府使用早期計算機來分析天氣數據。在接下來的幾十年裏，隨着軟件和硬件功能的增強，大量數據變得可以存儲並且更容易訪問以進行分析。
互聯網及其連接性使得任何有權訪問它的人都可以收集、共享和分析大量數據。因此，建模已經發展到涵蓋商業和金融的幾乎所有方面。例如，公司在創建營銷活動時使用預測模型來評估客戶的反應，而財務分析師則使用它來估計股票市場的趨勢和事件。
預測建模的類型
幾種不同類型的預測模型可用於分析大多數數據集，以揭示對未來事件的見解。
分類模型
分類模型使用機器學習根據用戶設置的標準將數據放入類別或類別中。分類算法有多種類型，其中一些是：
- 邏輯迴歸：對發生的事件的估計，通常是二元分類，例如是或否答案。
- 決策樹：一系列是/否、if/else 或其他二進制結果放入稱爲決策樹的可視化中。
- 隨機森林：一種使用分類和迴歸組合不相關決策樹的算法。
- 神經網絡：機器學習模型，用於審查大量數據以查找僅在審查數百萬個數據點後纔出現的相關性。
- 樸素貝葉斯：基於貝葉斯定理的建模系統，用於確定條件概率。
聚類模型
聚類是一種對數據點進行分組的技術。分析師假設相似組中的數據應具有相同的特徵，而不同組中的數據應具有截然不同的屬性。一些流行的聚類算法是：
- K-Means ：K-means 是一種建模技術，它使用組來識別不同數據組的中心趨勢。
- 均值偏移：在均值偏移建模中，通過算法對組的均值進行偏移，以便識別“氣泡”或密度函數的最大值。當將點繪製在圖表上時，數據似乎圍繞稱爲質心的中心點進行分組。
- 基於密度的噪聲空間聚類 (DBSCAN) ：DBSCAN 是一種根據數據點之間既定距離將數據點分組在一起的算法。該模型建立了不同羣體之間的關係並識別異常值。
異常值模型
數據集總是存在異常值（超出正常值的值）。例如，如果您有數字 21、32、46、28、37 和 299，您可以看到前五個數字有些相似，但 299 與其他數字相差太遠。因此，它被認爲是異常值。用於識別異常值的一些算法是：
- 隔離森林：一種檢測樣本中少量且不同數據點的算法。
- 最小協方差行列式（MCD） ：協方差是兩個變量之間的變化關係。 MCD 測量數據集的均值和協方差，最大限度地減少異常值對數據的影響。
- 局部異常值因子 (LOF) ：一種識別最近的相鄰數據點並分配分數的算法，允許將最遠的數據點識別爲異常值。
時間序列模型
時間序列建模通常在其他類型的建模之前使用，它使用歷史數據來預測事件。一些常見的時間序列模型是：
- ARIMA ：自迴歸積分移動平均模型使用自迴歸、積分（觀測值之間的差異）和移動平均值來預測趨勢或結果。
- 移動平均線：移動平均線使用指定時期（例如 50 或 200 天）的平均值，可以平滑波動。
預測建模的應用
預測分析使用預測變量或已知特徵來創建模型以獲得輸出。預測建模的使用方法即使不是數千種，也有數百種。例如，投資者用它來識別股票市場或個股的趨勢，這些趨勢可能表明投資機會或決策點。
投資者最常用的模型之一是投資的移動平均線，它可以平滑價格波動，幫助他們識別特定時期的趨勢。此外，自迴歸用於將投資或指數的過去值與其未來值關聯起來。
預測建模還可以幫助投資者識別不同場景的可能結果，從而幫助他們管理風險。例如，可以操縱數據來預測基本情況發生變化時可能發生的情況。投資者可以通過確定可能的結果來制定策略來應對不斷變化的市場。
預測建模工具
預測模型還用於神經網絡，例如機器學習和深度學習，這些都是人工智能（AI）領域。神經網絡受到人類大腦的啓發，由分層互連的節點組成的網絡創建，代表了人工智能的基礎。神經網絡的強大之處在於它們處理非線性數據關係的能力。他們能夠在變量之間創建關係和模式，這對於人類分析師來說是不可能或太耗時的。
金融公司使用的其他預測建模技術包括決策樹、時間序列數據挖掘和貝葉斯分析。通過預測建模措施利用大數據的公司可以更好地瞭解客戶如何與其產品互動，並可以識別公司的潛在風險和機遇。
預測建模的優點和缺點
預測建模的優點和缺點
優點
輕鬆生成可行的見解
可以測試不同的場景
提高決策速度
缺點
計算可能無法解釋
人爲輸入造成的偏差
高學習曲線
優點說明
- 輕鬆生成可操作的見解：預測建模允許您查看您在其他情況下可能看不到的數據信息，從而使您能夠做出更明智的決策。
- 可以測試不同的場景：可以操縱或更改數據來測試各種場景，以評估更改可能對數據和模型產生的影響。
- 提高決策速度：可以更快地做出決策，因爲可以更快地分析數百萬個數據點，並且可以在幾分鐘或幾小時內對未來趨勢或情況進行理論分析。
缺點解釋
- 計算可能無法解釋：創建預測模型後，您可能無法解釋結果。
- 人類輸入造成的偏差：由於人類參與設置參數和標準，因此建模中引入了偏差。
- 高學習曲線：學習創建預測模型和/或解釋結果可能是一個漫長的過程，因爲您必須瞭解統計數據、學習術語，甚至可能學習用 Python 或 R 進行編碼。
什麼是預測建模算法？
算法是一組用於操作數據或執行計算的指令。預測建模算法是執行預測建模任務的指令集。
預測建模中最大的假設是什麼？
預測建模中最重要的假設是未來的數據和趨勢將遵循過去的情況。
醫療保健領域的預測建模的例子是什麼？
預測模型可用於多種目的，特別是在健康保險領域。例如，它可以幫助保險公司根據特定客戶的健康、生活方式、年齡和其他情況計算其費用。
結論
預測建模是通過計算機和軟件根據操作員的輸入完成的數據統計分析。它用於爲收集所用數據的實體生成未來可能的場景。
它可用於收集數據的任何行業、企業或事業。重要的是要了解預測建模是基於歷史數據的估計。這意味着它並不是萬無一失的，也不能保證給定的結果——它最好用來權衡選項並做出決策。