Prediktionsmodeller (övervakad inlärning)

Maskininlärning för verksamheter

Karolis Urbonas

Head of Machine Learning & Science, Amazon

Övervakad vs. oövervakad inlärning

Övervakade modeller

Förutsäger klass/typ för ett utfall (t.ex. prenumerationsavslut, bedrägeri, köp) – KLASSIFICERING

Förutsäger mängd för ett utfall (t.ex. spenderade kronor, spelade timmar) – REGRESSION

Oövervakade modeller

Klustring – grupperar observationer i liknande grupper (t.ex. kund- eller marknadssegmentering)

Typer av övervakad inlärning

Klassificering – Målvariabeln är kategorisk (diskret) (utfallets klass) (klassificering)

Kommer kunden att avsluta sin prenumeration?

Är den här transaktionen bedräglig?

Vilket yrke har den här användaren?

Regression – Målvariabeln är kontinuerlig (utfallets storlek) (regression)

Antal produktköp nästa månad

Antal speltimmar nästa år

Kronor spenderade på försäkring

Datainsamling

Maskininlärningsteam bör samla in all tillgänglig data för att förutsäga önskat utfall med högsta möjliga precision – t.ex. vid köpförutsägelser:

Kundinformation

Köphistorik, avslut, orderbelopp

Surfhistorik, loggar, fel

Enhetsuppgifter och plats

Användningsfrekvens för produkt/tjänst

Och andra...

Exempel på klassificering

klassificering – data

Klassificering – träning

klassificering – träning

Klassificering – inlärning

klassificering – inlärning

Klassificering – osedd data

klassificering – osedd data

Klassificering – prediktion

klassificering – prediktion

Exempel på regression

regression – data

Regression – träning

regression – träning

Regression – inlärning

regression – inlärning

Regression – osedd data

regression – testdata

Regression – prediktion

regression – prediktion

Regression – faktisk prediktion

regression – faktisk prediktion

Nu kör vi en övning!

Maskininlärning för verksamheter