Forretningsanalyse med R
Kjernefokuset for Business Analytics er å utvikle ny innsikt i virksomheten og å vurdere ytelsen. Det har vært nok talt om Business Analytics og dets forskjellige teknikker. Det som kreves mest er en grundig forståelse av hvordan statistikk brukes i Business Analytics.
hvordan du bruker swing java
Hva er statistisk modellering?
Statistisk modellering er formaliseringen av forholdet mellom variabler i form av matematiske ligninger. Det handler i utgangspunktet om å finne ut variabelen. Den beskriver hvordan en eller flere variabler er relatert til en eller flere andre variabler. Her er variablene ikke nøyaktig relaterte, men kan være stokastisk relaterte.
I enklere termer er en variabel bare noe attributt. Et attributt blir en persons høyde, vekt og alder. Høyde og alder er sannsynlig. En 30 år gammel person har større sjanser for å være 4 fot høy. På samme måte, når du er klar over en person som er 13 år, har han større sjanser for å være 6 fot høy.
Hele formålet med statistisk modellering handler ikke om forskningen, det kommer til slutt ned på å gi et innblikk i løsninger. Det innebærer å analysere dataene og bruke dem under forskjellige omstendigheter. Emnene som diskuteres i videoen er som følger:
1. Hva er statistisk modellering
2. Hva er regresjonsmodellering
3. Forstå Analytics
Hva er regresjonsmodellering?
Som nevnt i de ovennevnte linjene om statistisk modellering, er en viktig og grunnleggende faktor i denne teorien Regresjonsmodellering. Regresjonsmodellering handler om å skaffe forholdet mellom to variabler. Mer spesifikt hjelper regresjon å forstå hvordan verdien av den avhengige variabelen endres mens en av de uavhengige variablene varierer, mens de andre uavhengige variablene holdes faste. For eksempel er tid en uavhengig variabel mens salg og hastighet er avhengig av visse faktorer. Derfor er målet å finne ut forholdet mellom de to.
Det er visse ligninger i regresjonsmodellen, det er den lineære, multivariate og logistiske regresjonen. Logistisk regresjon er lik regresjon der det er to variabler, og klassifiserer seg derfor som en sannsynlig statistisk modell. Den brukes til å beskrive parametrene til en kvalitativ responsmodell.
I diagrammet som er nevnt i videoen, introduserer linjen to konsepter - det ene er på linjen og det andre ikke. De som er borte fra linjen har en feil. Dette er avstanden mellom den faktiske verdien (blå prikker) og den forutsagte verdien (den svarte linjen). Målet med modellering, det være seg i noen form, er å minimere disse feilene, som er å prøve å bygge bro over gapet mellom de to. Det er andre teknikker for å forstå teorien.
Forstå Analytics i virksomheten
Hele analysedriften koker ned til 3 enkle modeller - prediktiv, beskrivende og beslutningsmodell. Som navnet antyder, gjør det en i stand til å forstå fremtiden. For eksempel kommer systemfeil, kredittverdighet, svindel inn under den prediktive modellen som får verdensomspennende popularitet i dag. På den annen side er det beskrivende og beslutningsmodeller som har eksistert lenge. En beskrivende modell gjør det mulig å karakterisere dataene, der et lands BNP og gjennomsnittlig levealder kan estimeres. Det er også utforskende, hvor en kunde leverer dataene og problemet blir analysert. Kunden får et innblikk i problemet, og deretter tas beslutningsmodellen i bruk, etter som visse optimaliseringer foreslås. Modellen har et mål som ikke er noe annet enn optimalisering.
Har du et spørsmål til oss? Nevn dem i kommentarfeltet, så kommer vi tilbake til deg.
Relaterte innlegg:
forklar mvc-arkitektur i java med eksempel