Du är här:
Binärt exempel på klassificering
Binära klassificeringslösningar riktar sig in på verksamhetsresultat med endast två möjliga resultat, som representeras som textdata.
Anteckning Einstein Discovery-berättelser är nu modeller. Vi tycker att vi kan dra på vårt fingrar för att uppdatera namnet överallt, men du kan förvänta dig att se föregående namn på några platser tills vi ersätter det.
Binära resultat
Dessa resultat är vanligtvis ja/nej-frågor som uttrycks i verksamhetsvillkor, till exempel borttagna eller inte borttagna, säljprojekt vunna eller förlorade, medarbetare behållna eller inte behållna, och så vidare. För analyssyfte konverterar Einstein Discovery de två värdena till booleska sant och falskt.
Exempel på binära klassificeringslösningar
Här är bara några exempel på hur Einstein Discovery kan hjälpa dig förbättra binära klassificeringsresultat i din organisation:
- Förutsäg sannolikheten att vinna ett säljprojekt
- Förutsäg sannolikheten för ett konto att köpa en specifik produkt
- Förutsäg hur stor sannolikhet ett lead kommer att konverteras
- Förutsäg sannolikheten för att ett konto bortfaller
Algoritmer som stöds för binära klassificeringslösningar
- Generaliserad linjär modell (GLM) - Logistikregression
- XGBoost
- Gradientboostmaskin (GBM)
- Slumpmässig skog
Mått för modellkvalitet
Löste denna artikel ditt problem?
Berätta för oss vad vi kan förbättra!
