Analyse prédictive

Pour réaliser une analyse prédictive en ligne, copiez simplement vos données dans le tableau ci-dessus et sélectionnez les variables de votre modèle. Sélectionnez d'abord la méthode, puis choisissez une variable dépendante et les variables indépendantes qui doivent être utilisées comme prédicteurs.

Si la variable dépendante est catégorielle, numiqo calcule un modèle de classification. Si la variable dépendante est métrique, numiqo calcule un modèle de régression. Vous pouvez ainsi prédire des catégories, par exemple des groupes de clients ou des types de défauts, ou des valeurs métriques comme les ventes, les coûts ou les taux de défaut.

Les méthodes disponibles sont le Decision Tree, le Random Forest, le Gradient Boosting et CHAID comme méthode supplémentaire d'arbre de décision pour les variables dépendantes catégorielles.

Calculer un modèle prédictif

Par exemple, si vous souhaitez prédire si un produit sera défectueux, sélectionnez le statut du défaut comme variable dépendante et les variables de production comme prédicteurs. numiqo crée alors un modèle de classification et présente clairement les résultats.

Si vous souhaitez prédire une valeur métrique, par exemple un taux de défaut ou une valeur de vente, sélectionnez une variable dépendante métrique. Le calculateur crée alors un modèle de régression et affiche, lorsque c'est disponible, des mesures d'erreur comme RMSE et MAE.

Après le calcul d'un modèle CART Decision Tree, Random Forest ou Gradient Boosting, vous pouvez l'envoyer vers la page de prédiction. Vous y saisissez les valeurs des prédicteurs sélectionnés et obtenez la catégorie prédite ou la valeur numérique prédite.

Méthodes d'analyse prédictive

Les arbres de décision sont utiles lorsqu'un modèle interprétable avec des règles simples est important. Random Forest combine de nombreux arbres et est souvent plus stable qu'un seul arbre de décision. Gradient Boosting construit les arbres étape par étape et peut donner de bons résultats lorsque les paramètres sont adaptés aux données. CHAID est utile pour les variables dépendantes catégorielles et les tâches de segmentation.

Si vous ne savez pas encore quelle méthode convient le mieux, utilisez Compare Models pour évaluer CART Decision Tree, Random Forest et Gradient Boosting avec la même séparation de validation. Cela permet de comparer la précision ou les mesures d'erreur avant de choisir un modèle pour les prédictions.

Pour des exemples en gestion de la qualité, comme la prédiction du rebut, le risque de réclamation et l'analyse des paramètres de processus, consultez le tutoriel Analyse prédictive pour les données qualité.