什么是预测建模？
预测建模使用已知结果来创建、处理和验证可用于预测未来结果的模型。它是预测分析中使用的工具，是一种数据挖掘技术，试图回答“未来可能发生什么？”的问题。
要点
- 预测建模使用已知结果来创建、处理和验证可用于进行未来预测的模型。
- 回归和神经网络是两种最广泛使用的预测建模技术。
- 公司可以使用预测模型来预测事件、客户行为以及金融、经济和市场风险。
了解预测建模
通过分析历史事件，公司可以使用预测模型来提高预测事件、客户行为以及金融、经济和市场风险的概率。
快速的数字产品迁移为企业创造了海量可用的数据。公司利用大数据来改善客户与企业关系的动态。这些大量的实时数据是从社交媒体、互联网浏览历史记录、手机数据和云计算平台中检索的。
然而，数据通常是非结构化的，并且过于复杂，人类无法快速分析。由于数据量巨大，公司通常通过计算机软件程序使用预测建模工具。这些程序处理大量历史数据以评估和识别其中的模式。从那里，该模型可以提供历史记录以及对可能再次或将来发生哪些行为或事件的评估。
财务分析师可以使用预测模型根据所建模的财务数据的量化特征来估计投资结果。
预测建模的历史
只要人们拥有信息、数据和使用它来查看可能结果的方法，预测模型就可能被使用。据传现代预测模型始于 20 世纪 40 年代，当时政府使用早期计算机来分析天气数据。在接下来的几十年里，随着软件和硬件功能的增强，大量数据变得可以存储并且更容易访问以进行分析。
互联网及其连接性使得任何有权访问它的人都可以收集、共享和分析大量数据。因此，建模已经发展到涵盖商业和金融的几乎所有方面。例如，公司在创建营销活动时使用预测模型来评估客户的反应，而财务分析师则使用它来估计股票市场的趋势和事件。
预测建模的类型
几种不同类型的预测模型可用于分析大多数数据集，以揭示对未来事件的见解。
分类模型
分类模型使用机器学习根据用户设置的标准将数据放入类别或类别中。分类算法有多种类型，其中一些是：
- 逻辑回归：对发生的事件的估计，通常是二元分类，例如是或否答案。
- 决策树：一系列是/否、if/else 或其他二进制结果放入称为决策树的可视化中。
- 随机森林：一种使用分类和回归组合不相关决策树的算法。
- 神经网络：机器学习模型，用于审查大量数据以查找仅在审查数百万个数据点后才出现的相关性。
- 朴素贝叶斯：基于贝叶斯定理的建模系统，用于确定条件概率。
聚类模型
聚类是一种对数据点进行分组的技术。分析师假设相似组中的数据应具有相同的特征，而不同组中的数据应具有截然不同的属性。一些流行的聚类算法是：
- K-Means ：K-means 是一种建模技术，它使用组来识别不同数据组的中心趋势。
- 均值偏移：在均值偏移建模中，通过算法对组的均值进行偏移，以便识别“气泡”或密度函数的最大值。当将点绘制在图表上时，数据似乎围绕称为质心的中心点进行分组。
- 基于密度的噪声空间聚类 (DBSCAN) ：DBSCAN 是一种根据数据点之间既定距离将数据点分组在一起的算法。该模型建立了不同群体之间的关系并识别异常值。
异常值模型
数据集总是存在异常值（超出正常值的值）。例如，如果您有数字 21、32、46、28、37 和 299，您可以看到前五个数字有些相似，但 299 与其他数字相差太远。因此，它被认为是异常值。用于识别异常值的一些算法是：
- 隔离森林：一种检测样本中少量且不同数据点的算法。
- 最小协方差行列式（MCD） ：协方差是两个变量之间的变化关系。 MCD 测量数据集的均值和协方差，最大限度地减少异常值对数据的影响。
- 局部异常值因子 (LOF) ：一种识别最近的相邻数据点并分配分数的算法，允许将最远的数据点识别为异常值。
时间序列模型
时间序列建模通常在其他类型的建模之前使用，它使用历史数据来预测事件。一些常见的时间序列模型是：
- ARIMA ：自回归积分移动平均模型使用自回归、积分（观测值之间的差异）和移动平均值来预测趋势或结果。
- 移动平均线：移动平均线使用指定时期（例如 50 或 200 天）的平均值，可以平滑波动。
预测建模的应用
预测分析使用预测变量或已知特征来创建模型以获得输出。预测建模的使用方法即使不是数千种，也有数百种。例如，投资者用它来识别股票市场或个股的趋势，这些趋势可能表明投资机会或决策点。
投资者最常用的模型之一是投资的移动平均线，它可以平滑价格波动，帮助他们识别特定时期的趋势。此外，自回归用于将投资或指数的过去值与其未来值关联起来。
预测建模还可以帮助投资者识别不同场景的可能结果，从而帮助他们管理风险。例如，可以操纵数据来预测基本情况发生变化时可能发生的情况。投资者可以通过确定可能的结果来制定策略来应对不断变化的市场。
预测建模工具
预测模型还用于神经网络，例如机器学习和深度学习，这些都是人工智能（AI）领域。神经网络受到人类大脑的启发，由分层互连的节点组成的网络创建，代表了人工智能的基础。神经网络的强大之处在于它们处理非线性数据关系的能力。他们能够在变量之间创建关系和模式，这对于人类分析师来说是不可能或太耗时的。
金融公司使用的其他预测建模技术包括决策树、时间序列数据挖掘和贝叶斯分析。通过预测建模措施利用大数据的公司可以更好地了解客户如何与其产品互动，并可以识别公司的潜在风险和机遇。
预测建模的优点和缺点
预测建模的优点和缺点
优点
轻松生成可行的见解
可以测试不同的场景
提高决策速度
缺点
计算可能无法解释
人为输入造成的偏差
高学习曲线
优点说明
- 轻松生成可操作的见解：预测建模允许您查看您在其他情况下可能看不到的数据信息，从而使您能够做出更明智的决策。
- 可以测试不同的场景：可以操纵或更改数据来测试各种场景，以评估更改可能对数据和模型产生的影响。
- 提高决策速度：可以更快地做出决策，因为可以更快地分析数百万个数据点，并且可以在几分钟或几小时内对未来趋势或情况进行理论分析。
缺点解释
- 计算可能无法解释：创建预测模型后，您可能无法解释结果。
- 人类输入造成的偏差：由于人类参与设置参数和标准，因此建模中引入了偏差。
- 高学习曲线：学习创建预测模型和/或解释结果可能是一个漫长的过程，因为您必须了解统计数据、学习术语，甚至可能学习用 Python 或 R 进行编码。
什么是预测建模算法？
算法是一组用于操作数据或执行计算的指令。预测建模算法是执行预测建模任务的指令集。
预测建模中最大的假设是什么？
预测建模中最重要的假设是未来的数据和趋势将遵循过去的情况。
医疗保健领域的预测建模的例子是什么？
预测模型可用于多种目的，特别是在健康保险领域。例如，它可以帮助保险公司根据特定客户的健康、生活方式、年龄和其他情况计算其费用。
综述
预测建模是通过计算机和软件根据操作员的输入完成的数据统计分析。它用于为收集所用数据的实体生成未来可能的场景。
它可用于收集数据的任何行业、企业或事业。重要的是要了解预测建模是基于历史数据的估计。这意味着它并不是万无一失的，也不能保证给定的结果——它最好用来权衡选项并做出决策。