Förstå maskininlärning

Maskininlärning är metoden att använda matematiska algoritmer för att känna igen mönster i data och sedan använda dessa mönster för att göra förutsägelser.

Ett enkelt exempel: Förutsäga försäljning

För att bättre förstå maskininlärning ska vi titta på ett enkelt exempel som förutsäger försäljningen av en produkt under nästa kvartal. Vi kanske vet att försäljningen av denna produkt påverkas av hur mycket pengar som spenderas på att marknadsföra produkten. Genom att titta på data från tidigare kvartal vet vi:

• Hur mycket pengar som spenderas (i tusentals dollar) på att marknadsföra produkten på tv.

• Vad försäljningen var (i miljontals dollar).

När vi ritar upp data är det uppenbart att ju mer pengar som spenderas på att marknadsföra vår produkt på tv, desto mer säljer vi.

För att förutsäga försäljningsintäkterna under nästa affärskvartal kan vi anpassa en funktion till historiska data:

Baserat på den summa pengar vi har budgeterat för att spendera på tv-reklam under nästa affärskvartal kan vi utvärdera funktionen vid det värde som motsvarar detta belopp. Säg att vi planerar att spendera 225 000 dollar på tv-reklam nästa kvartal. Att utvärdera funktionen vid 225 ger oss 17,7, och vi kan prognostisera 17,7 miljoner dollar i försäljning för nästa kvartal.

För att ytterligare förbättra vår förutsägelses noggrannhet kan vi försöka hitta en funktion som bättre passar historiska data – som visas i figuren – och göra förutsägelser baserat på denna funktion.

I det här exemplet har vi bara tittat på hur mycket pengar som spenderas på tv-reklam. Vi skulle också kunna överväga andra faktorer som påverkar framtida försäljning. Istället för att ha försäljning som en funktion av enbart tv-reklamkostnader skulle vi till exempel kunna ha försäljning som en funktion av de tre variablerna tv-reklamkostnader, radioreklamkostnader och tidningsreklamkostnader. Vi kan använda så många variabler vi vill, men den allmänna idén är densamma.

Begrepp inom maskininlärning

Ur ett dataperspektiv reduceras maskininlärningsproblemet till att sammanställa en tabell med historiska data. Vi har en kolumn i tabellen som representerar det vi vill förutsäga, vilket i vårt tidigare exempel var försäljning. På maskininlärningsspråk kallas denna kolumn för mål. De andra kolumnerna kallas funktioner och används för att förutsäga värdet i målkolumnen. Funktionerna är variabler som potentiellt kan bidra till målutfall. Den grundläggande idén bakom maskininlärning är:

Givet en datamängd hittar vi en funktion som passar dessa data så att vi kan förutsäga vad värdet för målkolumnen kommer att vara givet värdena för funktionskolumnerna.

Flera sofistikerade maskininlärningsalgoritmer har utvecklats för att lösa olika typer av maskininlärningsproblem. När vi matar in data i en maskininlärningsalgoritm och låter den lära sig mönster säger vi att vi tränar en maskininlärningsalgoritm.

I Qlik Predict delas maskininlärningsproblem in i klassificerings-, regressions- eller tidsserieproblem, beroende på:

• Om målet som ska förutsägas är ett kategoriskt eller numeriskt värde. Se exempel i Klassificeringsproblem och Regressionsproblem.

• Om du behöver förutsäga data för specifika framtida tidsperioder. Se ett exempel i Tidsserieproblem.

Automatiserad maskininlärning

Med automatiserad maskininlärning hittas de bäst anpassade funktionerna automatiskt under träningen på dina historiska data. Du kan enkelt ladda upp en datamängd, välja ett mål och sedan starta träningen med en knapptryckning.

Du får dock bara en bra förutsägelse om du har bra indata. Ett maskininlärningsexperiment behöver en väldefinierad maskininlärningsfråga och en datamängd som är utformad för att svara på den frågan. För att komma igång med ditt första experiment, följ dessa steg:

1. Definiera en maskininlärningsfråga

   Förvandla ditt affärsanvändningsfall till en specifik fråga med hjälp av ett strukturerat ramverk.

   Definiera frågor för maskininlärning

2. Förbered din träningsdatamängd

   Samla in data av god kvalitet som är relevant för ditt användningsfall.

   Förbereda din datamängd för träning

3. Skapa ett automatiserat maskininlärningsexperiment

   När förberedelserna är klara kan du börja experimentera.

   Arbeta med experiment