Loading
關於 Salesforce Data 360
演算法和損失函數

您位於此處：

  1. Salesforce 說明
  2. 文件
  3. Data 360

演算法和損失函數

預測模型會分析歷程記錄資料,以探索預估未來成果的模式和關係。模型產生器提供二元、多類別和迴歸模型的演算法,以及可設定的訓練設定。當您使用數值成果訓練預測模型時,損失函數會測量預估值與實際值的距離。在訓練期間,模型會將此損失降到最低,以改善整體預估準確性。所選的損失函數會決定模型排定優先順序的預估錯誤類型。這些設定可讓您產生預估來驅動業務決策並呈現客戶洞察。

支援的演算法

演算法 描述
AdaBoost AdaBoost 是一種集合演算法,會依序訓練模型,並專注於先前分類錯誤的資料,以改善預估。
CatBoost CatBoost 是有效處理種類變數的漸層增強演算法。其可提供準確的預估,並最低限度地預先處理資料。
決策樹 「決策樹狀結構」是受監督的演算法,可建立決策規則樹狀結構。其可讓您輕鬆解讀和視覺化預估。
GLM 預設值。廣義線性模型 (GLM) 是方程式型演算法,通常會快速完成。當變數與成果之間的關係相對較簡單時，效果最佳。只有 GLM 可以根據變數之間的互動 (例如區域和月份的組合影響) 產生說明。
GBM 漸層增強機器 (GBM) 是一種樹狀結構演算法,可依序建立決策樹,以更適合資料。與 GLM 相比,其可更完善地處理複雜的資料,例如變數之間的不同關係和變化的資料散佈。
LightGBM 輕度梯度增強機器 (LightGBM) 是一種快速、可調整的梯度增強演算法,可建立決策樹,以提供高度準確的預估,特別是在大型結構化資料集上。
MLP 多層感知器 (MLP) 是一種神經網路,可在輸入與輸出之間捕捉複雜非線性模式,並建立預估。
隨機森林 「隨機森林」是一種決策樹演算法,可改善準確度,並減少分類或迴歸工作的過度適配。
SVM 支援向量機器 (SVM) 是受監督的演算法,可將類別之間的邊界最大化,以進行準確的預估,即使是在高維度空間中也是如此。
XGBoost 極端漸層增強 (XGBoost) 是針對效率最佳化的 GBM 擴充功能。這是一種樹狀結構演算法,可依序建立決策樹群組,以更適合資料,同時避免過度適配。

迴歸模型的損失函數

當您使用數值成果訓練預測模型時,損失函數會測量預估值與實際值的距離。在訓練期間,模型會將此損失降到最低,以改善整體預估準確性。所選的損失函數會決定模型排定優先順序的預估錯誤類型。

遺失函數不會自行決定演算法的相容性。所選演算法、損失函數、資料和業務目標的組合會決定整體模型效能。若要為您的業務目標選取和設定最佳演算法,請評估每個損失函數的行為。

Data 360 中的預測 AI 模型支援迴歸模型的四個遺失函數。您可以套用至模型的損失函數取決於選取的演算法。

損失函數 描述
平方誤差 當您想要讓較大的錯誤對模型有更大的影響時,請使用平方誤差。此損失函數會透過平方誤差來測量預估值與實際值之間的差異。
線性 當您想要減少極端錯誤的影響時,請使用線性。此損失函數會在訓練期間對錯誤產生比例影響,使模型對大型錯誤的敏感度低於「平方誤差」。
量 當您想要預估成果的特定百分位數,而非僅使用平均值時,請使用 quantile。此損失函數需要目標分位數。高分位數會強調避免過度預估,低分位數會強調避免過度預估。它會決定模型如何將低估預估與高估相比處分,以便學習預估成果的特定百分位數或分位數。
Gamma 當您的目標欄位包含許多小值,而只有幾個非常大的值時,請使用 Gamma。目標欄位必須包含正值,且不能包含零或負值。此損失函數會預估正面且持續的成果,這些成果大致為正斜體。

迴歸損失函數範例

這些範例顯示如何透過預測演算法使用不同的迴歸損失函數。

演算法 損失函數 使用個案
CatBoost、LightGBM、XGBoost、GLM、Random Forest、AdaBoost、決策樹與 MLP 平方誤差 預估客戶終身價值。$10,000 折扣的預估對模型訓練的影響比 $1,000 折扣的預估更大,這可鼓勵模型將較大的錯誤降到最低。
CatBoost、LightGBM、XGBoost、AdaBoost 和 SVM 線性 預估遞送時間。大多數出貨都接近預期的時間,但有些異常延遲可能會造成極端錯誤。相較於平方誤差,線性損失會減少這些極端錯誤的影響。
CatBoost、LightGBM 和 XGBoost 量 預估客戶支出的第 90 個百分位數。此模型不會估計平均支出,而是會預測值的值,且預期客戶支出的約 90% 會下降。
CatBoost、LightGBM 和 XGBoost Gamma 預估保險索賠成本。大多數索賠相對較小,但只有少數索賠高成本。gamma 損失是針對正面、右方的成果 (例如索賠成本) 所設計。
 
正在載入
Salesforce Help | Article