Sie befinden sich hier:
Algorithmen und Verlustfunktionen
Prognosemodelle analysieren historische Daten, um Muster und Beziehungen zu ermitteln, die zukünftige Ergebnisse prognostizieren. Der Modellgenerator bietet Algorithmen für Binär-, Mehrklassen- und Regressionsmodelle mit konfigurierbaren Trainingseinstellungen. Wenn Sie ein Prognosemodell mit einem numerischen Ergebnis trainieren, messen Verlustfunktionen, wie weit die prognostizierten Werte von den tatsächlichen Werten entfernt sind. Während des Trainings minimiert das Modell diesen Verlust, um die Prognosegenauigkeit insgesamt zu verbessern. Die ausgewählte Verlustfunktion bestimmt, welche Arten von Prognosefehlern das Modell priorisiert.Mit diesen Einstellungen können Sie Prognosen generieren, die Geschäftsentscheidungen vorantreiben und Kundenstatistiken anzeigen.
Unterstützte Algorithmen
| Algorithmus | Beschreibung |
|---|---|
| AdaBoost | AdaBoost ist ein Ensemble-Algorithmus, der Modelle nacheinander trainiert und sich auf zuvor falsch klassifizierte Daten konzentriert, um Prognosen zu verbessern. |
| CatBoost | CatBoost ist ein Gradienten-Boosting-Algorithmus, der kategoriale Variablen effizient verarbeitet. Sie bietet genaue Prognosen mit minimaler Datenvorverarbeitung. |
| Entscheidungsstruktur | Entscheidungsstruktur ist ein überwachter Algorithmus, der eine Struktur von Entscheidungsregeln erstellt. Dadurch können Prognosen einfach interpretiert und visualisiert werden. |
| GLM | Standardeinstellung. Das generalisierte lineare Modell (Generalized Linear Model, GLM) ist ein gleichungsbasierter Algorithmus, der in der Regel schnell abgeschlossen werden kann. Es funktioniert am besten, wenn die Beziehung zwischen den Variablen und dem Ergebnis relativ einfach ist. Nur GLM kann Erklärungen auf der Grundlage von Interaktionen zwischen Variablen erstellen, beispielsweise die kombinierten Auswirkungen von Region und Monat. |
| GBM | Gradient Boosting Machine (GBM) ist ein baumbasierter Algorithmus, bei dem Entscheidungsbäume sequenziell erstellt werden, um die Daten besser anzupassen. Im Vergleich zu GLM verarbeitet es komplexe Daten, beispielsweise unterschiedliche Beziehungen zwischen Variablen und unterschiedliche Datenverteilungen, besser. |
| LightGBM | Light Gradient Boosting Machine (LightGBM) ist ein schneller, skalierbarer Gradient Boosting-Algorithmus, der Entscheidungsbäume erstellt, um hochgenaue Prognosen zu liefern, insbesondere für große strukturierte Datensets. |
| MLP | Multilayer Perceptron (MLP) ist ein neuronales Netzwerk, das komplexe nichtlineare Muster zwischen Eingaben und Ausgaben erfasst und Prognosen erstellt. |
| Zufällige Gesamtstruktur | Bei "Zufällige Gesamtstruktur" handelt es sich um einen Entscheidungsbaumalgorithmus, der die Genauigkeit verbessert und die Überanpassung für Klassifizierungs- oder Regressionsaufgaben reduziert. |
| SVM | Support Vector Machine (SVM) ist ein überwachter Algorithmus, der den Abstand zwischen Klassen maximiert, um genaue Prognosen zu treffen, selbst in hochdimensionalen Räumen. |
| XGBoost | Extreme Gradient Boosting (XGBoost) ist eine Erweiterung von GBM, die auf Effizienz optimiert ist. Hierbei handelt es sich um einen baumbasierten Algorithmus, bei dem Gruppen von Entscheidungsbäumen nacheinander erstellt werden, um die Daten besser anzupassen und gleichzeitig eine Überanpassung zu vermeiden. |
Verlustfunktionen für Regressionsmodelle
Wenn Sie ein Prognosemodell mit einem numerischen Ergebnis trainieren, messen Verlustfunktionen, wie weit die prognostizierten Werte von den tatsächlichen Werten entfernt sind. Während des Trainings minimiert das Modell diesen Verlust, um die Prognosegenauigkeit insgesamt zu verbessern. Die ausgewählte Verlustfunktion bestimmt, welche Arten von Prognosefehlern das Modell priorisiert.
Eine Verlustfunktion bestimmt die Kompatibilität des Algorithmus nicht selbst. Die Kombination aus ausgewähltem Algorithmus, Verlustfunktion, Daten und Geschäftsziel bestimmt die Gesamtleistung des Modells. Wenn Sie den besten Algorithmus für Ihr Geschäftsziel auswählen und konfigurieren möchten, werten Sie das Verhalten der einzelnen Verlustfunktionen aus.
Prognose-AI-Modelle in Data 360 unterstützen vier Verlustfunktionen für Regressionsmodelle. Die Verlustfunktion, die Sie auf ein Modell anwenden können, hängt vom ausgewählten Algorithmus ab.
| Verlustfunktion | Beschreibung |
|---|---|
| Quadratischer Fehler | Verwenden Sie quadratische Fehler, wenn größere Fehler einen größeren Einfluss auf das Modell haben sollen. Diese Verlustfunktion misst die Differenz zwischen prognostizierten und tatsächlichen Werten, indem der Fehler quadriert wird. |
| Linear | Verwenden Sie linear, wenn Sie den Einfluss extremer Fehler reduzieren möchten. Diese Verlustfunktion wirkt sich proportional auf Fehler während des Trainings aus, wodurch das Modell unempfindlicher auf große Fehler reagiert als "Quadratischer Fehler". |
| Quantil | Verwenden Sie Quantil, wenn Sie ein bestimmtes Perzentil eines Ergebnisses prognostizieren möchten, statt nur den Durchschnitt. Für diese Verlustfunktion ist ein Zielquantil erforderlich. Höhere Quantile betonen die Vermeidung von Unterprognosen, während niedrigere Quantile die Vermeidung von Überprognosen betonen. Es bestimmt, wie das Modell Unterprognosen im Vergleich zu Überprognosen bestraft, damit es lernt, ein bestimmtes Perzentil oder Quantil des Ergebnisses zu prognostizieren. |
| Gamma | Verwenden Sie Gamma, wenn Ihr Zielfeld viele kleine Werte und nur wenige sehr große Werte enthält. Das Zielfeld muss positive Werte enthalten und darf keine Null- oder negativen Werte enthalten. Diese Verlustfunktion prognostiziert positive, kontinuierliche Ergebnisse, die stark nach rechts verzerrt sind. |
Beispiele für Regressionsverlustfunktionen
Diese Beispiele zeigen, wie Sie verschiedene Regressionsverlustfunktionen mit Prognosealgorithmen verwenden können.
| Algorithmus | Verlustfunktion | Anwendungsfall |
|---|---|---|
| CatBoost, LightGBM, XGBoost, GLM, Random Forest, AdaBoost, Decision Tree und MLP | Quadratischer Fehler | Prognostizieren Sie den Kundenlebenszeitwert. Eine Prognose mit einem Rabatt von 10.000 EUR hat größere Auswirkungen auf das Modelltraining als eine Prognose mit einem Rabatt von 1.000 EUR, was das Modell dazu ermutigt, größere Fehler zu minimieren. |
| CatBoost, LightGBM, XGBoost, AdaBoost und SVM | Linear | Prognostizieren Sie Lieferzeiten. Die meisten Zustellungen erfolgen in der Nähe der erwarteten Zeit. Einige ungewöhnliche Verzögerungen können jedoch zu extremen Fehlern führen. Der lineare Verlust reduziert den Einfluss dieser extremen Fehler im Vergleich zum quadratischen Fehler. |
| CatBoost, LightGBM und XGBoost | Quantil | Prognostizieren Sie das 90. Perzentil der Kundenausgaben. Statt die durchschnittlichen Ausgaben zu schätzen, prognostiziert das Modell einen Wert, bei dem oder unter den etwa 90 % der Kundenausgaben fallen sollen. |
| CatBoost, LightGBM und XGBoost | Gamma | Prognostizieren Sie Versicherungsanspruchskosten. Die meisten Ansprüche sind relativ klein, während nur wenige sehr teuer sind. Der Gammaverlust ist auf positive, rechtsläufige Ergebnisse wie Anspruchskosten ausgelegt. |
