Ti trovi qui:
Algoritmi e funzioni di perdita
I modelli predittivi analizzano i dati storici per scoprire schemi e relazioni che prevedono gli esiti futuri. Il Generatore di modelli fornisce algoritmi per modelli binari, multiclasse e regressione con impostazioni di addestramento configurabili. Quando si addestra un modello predittivo con un esito numerico, le funzioni di perdita misurano la distanza dei valori previsti dai valori effettivi. Durante l'addestramento, il modello riduce al minimo questa perdita per migliorare la precisione complessiva della previsione. La funzione di perdita selezionata determina i tipi di errori di previsione a cui il modello assegna la priorità.Queste impostazioni consentono di generare previsioni che determinano le decisioni aziendali e fanno emergere approfondimenti sui clienti.
Algoritmi supportati
| Algoritmo | Descrizione |
|---|---|
| AdaBoost | AdaBoost è un algoritmo composto che addestra i modelli in sequenza e si concentra sui dati precedentemente classificati in modo errato per migliorare le previsioni. |
| CatBoost | CatBoost è un algoritmo di gradient boosting che gestisce in modo efficiente le variabili categoriali. Offre previsioni accurate con una minima preelaborazione dei dati. |
| Albero decisionale | Albero decisionale è un algoritmo con supervisione che crea un albero di regole decisionali. Rende le previsioni facili da interpretare e visualizzare. |
| GLM | impostazione predefinita. Il modello lineare generalizzato (GLM) è un algoritmo basato su equazioni che in genere viene completato rapidamente. Funziona meglio quando la relazione tra le variabili e il risultato è relativamente semplice. Solo GLM può produrre spiegazioni basate sulle interazioni tra variabili, ad esempio l'impatto combinato di regione e mese. |
| GBM | Gradient Boosting Machine (GBM) è un algoritmo basato su alberi in cui gli alberi decisionali vengono creati in sequenza per adattarsi meglio ai dati. Rispetto a GLM, gestisce meglio i dati complessi, ad esempio le diverse relazioni tra variabili e le varie distribuzioni di dati. |
| LightGBM | Light Gradient Boosting Machine (LightGBM) è un algoritmo di gradient boosting veloce e scalabile che crea alberi decisionali per fornire previsioni estremamente accurate, soprattutto su serie di dati strutturate di grandi dimensioni. |
| MLP | Multilayer Perceptron (MLP) è una rete neurale che acquisisce schemi non lineari complessi tra input e output e crea previsioni. |
| Foresta casuale | Foresta casuale è un algoritmo ad albero decisionale che migliora la precisione e riduce l'overfitting per le operazioni di classificazione o regressione. |
| SVM | Support Vector Machine (SVM) è un algoritmo con supervisione che massimizza il margine tra le classi per formulare previsioni accurate, anche in spazi con dimensioni elevate. |
| XGBoost | Extreme gradient boosting (XGBoost) è un'estensione di GBM ottimizzata per l'efficienza. È un algoritmo basato su albero in cui i gruppi di alberi decisionali vengono creati in sequenza per adattarsi meglio ai dati evitando l'overfitting. |
Funzioni di perdita per i modelli di regressione
Quando si addestra un modello predittivo con un esito numerico, le funzioni di perdita misurano la distanza dei valori previsti dai valori effettivi. Durante l'addestramento, il modello riduce al minimo questa perdita per migliorare la precisione complessiva della previsione. La funzione di perdita selezionata determina i tipi di errori di previsione a cui il modello dà priorità.
Una funzione loss non determina da sola la compatibilità degli algoritmi. La combinazione di algoritmo, funzione di perdita, dati e obiettivo aziendale selezionati determina le prestazioni complessive del modello. Per selezionare e configurare l'algoritmo migliore per il proprio obiettivo aziendale, valutare il comportamento di ogni funzione di perdita.
I modelli di intelligenza artificiale predittiva in Data 360 supportano quattro funzioni di perdita per i modelli di regressione. La funzione di perdita che è possibile applicare a un modello dipende dall'algoritmo selezionato.
| Funzione di perdita | Descrizione |
|---|---|
| Errore quadratico | Utilizzare l'errore quadratico quando si desidera che gli errori più grandi abbiano una maggiore influenza sul modello. Questa funzione di perdita misura la differenza tra i valori previsti ed effettivi calcolando il quadrato dell'errore. |
| Lineare | Utilizzare la lineare quando si desidera ridurre l'influenza degli errori estremi. Questa funzione di perdita applica un impatto proporzionale agli errori durante l'addestramento, rendendo il modello meno sensibile agli errori di grandi dimensioni rispetto a Squared Error. |
| Quantità | Utilizzare quantile quando si desidera prevedere un percentile specifico di un risultato anziché solo la media. Questa funzione di perdita richiede un quantile target. Quantili più alti enfatizzano l'evitare le sottoprevisioni, mentre quantili più bassi enfatizzano l'evitare le sovraprevisioni. Determina in che modo il modello penalizza le sottoprevisioni rispetto alle sovraprevisioni in modo che impari a prevedere un percentile o un quantile specifico del risultato. |
| Gamma | Utilizzare Gamma quando il campo di destinazione contiene molti valori piccoli e solo pochi valori molto grandi. Il campo di destinazione deve contenere valori positivi e non può contenere valori zero o negativi. Questa funzione di perdita prevede esiti positivi e continui fortemente inclinati a destra. |
Esempi di funzioni di perdita di regressione
Questi esempi mostrano come utilizzare diverse funzioni di perdita di regressione con algoritmi predittivi.
| Algoritmo | Funzione di perdita | Caso d'uso |
|---|---|---|
| CatBoost, LightGBM, XGBoost, GLM, Foresta casuale, AdaBoost, Albero decisionale e MLP | Errore quadratico | Prevedere il valore di durata del cliente. Una previsione con uno sconto di 10.000 € ha un impatto maggiore sull'addestramento del modello rispetto a una previsione con uno sconto di 1.000 €, il che incoraggia il modello a ridurre al minimo gli errori più grandi. |
| CatBoost, LightGBM, XGBoost, AdaBoost e SVM | Lineare | Prevedere i tempi di consegna. La maggior parte delle consegne si avvicina al tempo previsto, ma alcuni ritardi insoliti possono creare errori estremi. La perdita lineare riduce l'influenza di questi errori estremi rispetto all'errore quadratico. |
| CatBoost, LightGBM e XGBoost | Quantità | Prevedere il 90° percentile della spesa dei clienti. Anziché stimare la spesa media, il modello prevede un valore pari o inferiore al quale si prevede una riduzione di circa il 90% della spesa dei clienti. |
| CatBoost, LightGBM e XGBoost | Gamma | Prevedere i costi delle richieste di risarcimento. La maggior parte delle richieste sono relativamente piccole, mentre solo alcune sono molto costose. La perdita gamma è progettata per esiti positivi e corretti, ad esempio i costi delle richieste. |
