Modellazione predittiva
È un elemento importante dell’analisi predittiva nel machine learning perché permette di creare dei modelli (scenari) previsionali futuri basati sui dati e/o eventi storici utilizzati nell’analisi predittiva, come ad esempio quando viene messo sul mercato un nuovo prodotto oppure quando viene creato un nuovo sistema di viabilità oppure costruita una nuova area residenziale.
I modelli hanno la capacità di adattarsi ai nuovi dati messi a disposizione dell’analisi predittiva come ad esempio:
- l’apprendimento supervisionato:
- sulla classificazione: creare delle relazioni tra i dati e/o eventi storici per definire l’appartenenza ad una specifica classe (es. classificare la tipologia di un cliente di una banca in base alle informazioni personali ed economiche a disposizione);
- alla regressione: creare delle relazioni funzionali tra i dati e/o eventi storici considerati (es. apprendere la relazione tra l’età di una persona e il suo potenziale interesse verso una specifica campagna pubblicitaria);
- l’apprendimento non supervisionato:
- al clustering: creare degli insiemi omogenii sulla base dei dati e/o eventi storici utilizzati (es. creare gruppi di utenti in base ai loro consumi per proporre offerte mirate);
- l’apprendimento sia supervisionato che non:
- alla predizione: creare delle predizioni o previsioni del comportamento futuro dei dati e/o eventi storici considerati (es. fare previsioni su acquisti futuri di un cliente in base allo storico degli acquisti già effettuati);
- al rilevamento delle anomalie: identificare cambiamenti o anomali nei dati e/o eventi storici (es. analisi automatica della qualità dei pezzi prodotti in un’azienda manifatturiera);
- nell’adattamento di modelli: permettere ai modelli appresi di evolvere nel tempo in base alle necessità (es. un utente può cambiare i propri interessi con l’età o le stagioni).
L’apprendimento supervisionato ha lo scopo di apprendere una funzione che descriva al meglio la relazione tra dati in ingresso e dati in uscita; l’apprendimento non supervisionato ha lo scopo di apprendere le relazioni definendone i vari pattern all’interno dei dati mentre l’unione di questi due tipologie (apprendimento supervisionato che non) di apprendimento crea dei modelli tipici della modellazione predittiva.