Bagaimana Memvisualisasikan Hasil Analisis Model Anda: Pengelompokan Tersembunyi, Klasifikasi Data, dan Outliers - dummies

Visualisasi hasil analisis prediktif Anda benar-benar membantu pemangku kepentingan memahami langkah selanjutnya. Berikut adalah beberapa cara untuk menggunakan teknik visualisasi untuk melaporkan hasil model Anda kepada pemangku kepentingan.

Bagaimana memvisualisasikan pengelompokan tersembunyi dalam data Anda

Pengelompokkan data adalah proses menemukan kelompok tersembunyi item terkait dalam data Anda. Dalam kebanyakan kasus, kumpulan clustering (pengelompokan) terdiri dari objek data dari jenis yang sama seperti pengguna jaringan sosial, dokumen teks, atau e-mail.

Di sini, hubungan visual di antara ketiga kelompok tersebut telah menunjukkan di mana upaya pemasaran yang ditingkatkan dapat dilakukan dengan sebaik-baiknya.

Bagaimana memvisualisasikan hasil klasifikasi data

Model klasifikasi menugaskan kelas tertentu ke setiap titik data baru yang diteliti. Kelas tertentu, dalam kasus ini, bisa jadi kelompok yang dihasilkan dari pekerjaan pengelompokan Anda. Output yang disorot dalam grafik dapat menentukan target set Anda. Untuk setiap pelanggan baru, model klasifikasi prediktif mencoba memprediksi kelompok mana yang akan menjadi pelanggan baru.

Setelah menerapkan algoritma pengelompokan dan menemukan pengelompokan dalam data pelanggan, Anda akan sampai pada saat yang tepat: Inilah pelanggan baru - Anda ingin model memprediksi jenis pelanggan apa dia atau dia akan.

Berikut adalah satu contoh bagaimana informasi pelanggan baru diumpankan ke model analisis prediktif Anda, yang pada gilirannya memprediksi kelompok pelanggan mana pelanggan baru ini. Pelanggan Baru A, B, dan C akan ditugaskan ke cluster sesuai dengan model klasifikasi.

Menerapkan model klasifikasi menghasilkan prediksi bahwa Pelanggan A akan termasuk dalam pelanggan setia, Pelanggan B akan menjadi pengembara, dan Pelanggan C hanya muncul untuk diskon.

Bagaimana memvisualisasikan outlier dalam data Anda

Dalam proses pengelompokan atau klasifikasi pelanggan baru, sesekali Anda bertemu dengan

outlier - kasus khusus yang tidak sesuai dengan divisi yang ada. Dalam contoh ini, beberapa outlier tidak sesuai dengan kelompok yang telah ditentukan sebelumnya. Enam pelanggan outlier telah terdeteksi dan divisualisasikan. Mereka berperilaku cukup berbeda sehingga model tidak dapat mengetahui apakah mereka termasuk dalam kategori pelanggan tertentu. (Apakah ada yang namanya, katakanlah, seorang pelanggan pengembara setia yang hanya tertarik pada diskon itu? Dan jika ada, haruskah urusan bisnis Anda?)