Risorse Software di apprendimento automatico

Kraken richiede un dataset che sia per lo più pronto per l'apprendimento automatico. Tuttavia, applichiamo alcuni passaggi di pre-elaborazione di base ai dati prima di costruire i modelli. 1. Imputazione dei valori nulli 2. Codifica delle caratteristiche categoriche (anche nota come creazione di "variabili dummy") 3. Scalatura delle caratteristiche, o normalizzazione 4. Gestione dell'alta correlazione di un Driver con la Metrica prevista o correlazione tra i Driver 5. Prendi campioni casuali dei dati ed esegui una convalida incrociata a cinque pieghe Tutti questi passaggi di pre-elaborazione vengono eseguiti dati i diversi soglie impostate nel nostro pipeline. Le soglie possono essere modificate da noi man mano che apprendiamo di più su quanto siano accurati i modelli che Kraken crea.

Mostra di più

Mostra meno

Per impostazione predefinita, Kraken esegue diversi algoritmi basati sul Metrico selezionato per le previsioni. Utilizziamo algoritmi contenuti nella libreria Python open-source, scikit-learn. I parametri utilizzati sono i valori predefiniti di scikit-learn per ciascun algoritmo. Modelli di Classificazione Binaria: - Random Forest - Regressione Logistica - XGBoost - Classificazione dei Vicini più Prossimi - Classificazione a Vettori di Supporto - Naive Bayes Gaussiano Modelli di Regressione: - Regressione Lineare - Regressione Random Forest - Regressore XGB - Regressore dei Vicini più Prossimi - Regressione a Vettori di Supporto - Regressione a Discesa del Gradiente Stocastico Modelli di Classificazione Multi-Classe: - Random Forest - Regressione Logistica Multinomiale - Classificazione dei Vicini più Prossimi - Classificazione a Vettori di Supporto - Naive Bayes Gaussiano

Mostra di più

Mostra meno

Kraken utilizzerà la metrica che selezioni per prevedere quale tipo di algoritmi utilizzare nel processo di analisi. - Se selezioni una metrica che ha solo due valori unici, Kraken utilizzerà algoritmi che funzionano meglio con problemi di classificazione binaria. Ad esempio: fidelizzazione del cliente (il mio cliente se ne andrà, sì/no), fidelizzazione del dipendente (il mio dipendente se ne andrà, sì/no), ecc. - Se selezioni una metrica che è un valore stringa e ha più di due valori unici, Kraken utilizzerà algoritmi che funzionano meglio con problemi di classificazione multi-classe. Ad esempio: mix di campagne, raccomandazione di prodotti, opportunità di up-sell, ecc. - Se selezioni una metrica che è un numero e non ci sono date nel tuo dataset, Kraken utilizzerà algoritmi che funzionano meglio con problemi di regressione. Ad esempio: quanto acquisterà questo cliente, quale sarà il valore di questa vendita, ecc. - Se selezioni una metrica che è un numero e ci sono date nel tuo dataset, Kraken ti darà l'opzione di creare un modello di serie temporali o un modello di regressione. Le serie temporali funzionano meglio per problemi che prevedono valori nel tempo. Ad esempio: previsione delle vendite, domanda di inventario, ecc.

Mostra di più

Mostra meno