Video: Visualizing the Riemann hypothesis and analytic continuation 2025
Nonostante tutto ciò che ti è stato detto su ipotesi che causano problemi, alcune ipotesi rimangono al centro di qualsiasi modello di analisi predittiva. Tali presupposti vengono visualizzati nelle variabili selezionate e considerate nell'analisi e tali variabili influenzano direttamente la precisione dell'output del modello finale.
Quindi la tua più prudente precauzione all'inizio è identificare quali sono le ipotesi più importanti per il tuo modello e per mantenerle al minimo.
La creazione di un modello predittivo che funzioni bene nel mondo reale richiede una conoscenza approfondita del business. Il tuo modello inizia conoscendo solo i dati di esempio - in termini pratici, quasi nulla. Quindi inizia in piccolo e continua a migliorare il modello se necessario.
L'analisi di possibili domande e scenari può portare a scoperte chiave e / o può far luce sui fattori in gioco nel mondo reale. Questo processo può identificare le variabili fondamentali che potrebbero influenzare il risultato dell'analisi.
In un approccio sistematico all'analisi predittiva, questa fase - esplorare scenari "what-if" - è particolarmente interessante e utile. Qui è dove si modificano gli input del modello per misurare gli effetti di una variabile o di un'altra sull'output del modello; quello che stai veramente testando è la sua capacità di previsione.
Migliorare le ipotesi del modello - testando in che modo influenzano l'output del modello, sondando per vedere quanto sensibile sia il modello per loro e riducendole al minimo - ti aiuterà a guidare il modello verso una capacità predittiva più affidabile. Prima di poter ottimizzare il tuo modello, devi conoscere le variabili predittive - caratteristiche che hanno un impatto diretto sul suo output.
È possibile derivare tali variabili decisionali eseguendo più simulazioni del modello, modificando alcuni parametri con ciascuna esecuzione, e registrando i risultati, in particolare l'accuratezza delle previsioni del modello. Di solito è possibile rintracciare le variazioni di precisione ai parametri specifici che sono stati modificati.
A questo punto, il ventunesimo secolo può rivolgersi al quattordicesimo per chiedere aiuto. Guglielmo di Ockham, un frate francescano inglese e filosofo scolastico che visse nel Trecento, sviluppò il principio di ricerca conosciuto come il rasoio di Occam: dovresti eliminare le ipotesi inutili finché la tua teoria non ne avrà la minima parte possibile. Quindi è più probabile che sia vero.
Troppe ipotesi pesano sulle previsioni del tuo modello con incertezze e inesattezze.L'eliminazione di variabili non necessarie porta a un modello più robusto, ma non è facile decidere quali variabili includere nell'analisi e tali decisioni influiscono direttamente sulle prestazioni del modello.
Ma qui è dove l'analista può incorrere in un dilemma: l'inclusione di fattori non necessari può distorcere o distorcere l'output del modello, ma escludere una variabile rilevante lascia incompleto il modello.
Quindi, quando arriva il momento di selezionare quelle importantissime variabili decisionali, chiama i tuoi esperti di conoscenza del dominio. Quando disponi di un insieme di variabili decisionali basato sulla realtà, non devi fare troppe ipotesi e il risultato può essere meno errori nel tuo modello predittivo.
