预测建模

预测建模是一种使用数学和计算方法预测事件或结果的技术。数学方法使用基于等式的模型来描述所考虑的现象。该模型用于根据模型输入的更改来预测一些未来状态或时间的结果。模型参数有助于解释模型输入如何影响结果。例子包括时间序列回归预测模型航空公司交通量或者预测燃油效率基于A.线性回归模型发动机速度与负载。

计算预测建模方法与数学方法不同，因为它依赖于在等式形式中不易解释的模型，并且通常需要模拟技术来创建预测。这种方法通常被称为“黑匣子”预测建模，因为模型结构没有提供对地图模型输入的因素的洞察。例子包括使用神经网络至预测哪个酒庄一杯葡萄酒起源于或袋装决策树，以预测信用评级借款人。

通常使用曲线和表面拟合，时间序列回归或者进行预测建模，或者机器学习方法。无论使用的方法如何，在方法中创建预测模型的过程是相同的。这些步骤是：

1. 清洁数据去除异常值和治疗缺失的数据
2. 确定参数或非参数的预测建模方法使用
3. 预处理数据以适合于所选择的建模算法的形式
4. 指定要用于培训模型的数据的子集
5. 从训练数据集中列车或估算，模型参数
6. 进行模型性能或拟合良好测试以检查模型充足性
7. 在不用于校准模型的数据上验证预测建模精度
8. 如果满足其性能，请使用模型进行预测

有关预测建模的更多信息，请参阅OuthoMetrics Toolbox™那统计和机器学习工具箱™和深度学习工具箱™。