Récapitulatif de l'ensemble de données d'entrée pour les scénarios de régression d'application
L'ensemble de données d'application doit contenir la même structure-info que l'ensemble de données d'entraînement correspondant, comme suit :
- Le même nombre de variables (les colonnes supplémentaires sont ignorées).
- Les mêmes noms de variables que le jeu de données d'entraînement correspondant.
- Le même ordre de présentation des variables.
En analysant le jeu de données d'entraînement, Smart Predict génère un modèle de régression qui explique et prédit la variable cible en fonction des variables identifiées comme influenceurs.
Une fois le modèle de régression entraîné, il peut être appliqué à un jeu de données d'application, générant les valeurs prédites de la cible dans le jeu de données de sortie.
Application de votre modèle prédictif
Ouvrez le modèle prédictif pertinent et cliquez sur l'icône Appliquer le modèle prédictif pour ouvrir la boîte de dialogue Appliquer le modèle prédictif.

Appliquer à la population
Dans la zone Source de données, sélectionnez le nouveau jeu de données (jeu de données d'application) sur lequel vous souhaitez appliquer votre modèle prédictif.

Ensemble de données généré
Dans cette section, vous disposez de plusieurs options pour sélectionner les colonnes supplémentaires que vous souhaitez inclure dans votre ensemble de données de sortie.
Colonnes répliquées : sélectionnez les variables du jeu de données que vous avez utilisé pour entraîner le modèle qui fait partie du jeu de données de sortie. Le processus d'application ne prend pas en compte les colonnes du jeu de données d'application qui n'appartiennent pas au jeu de données d'entraînement.
Statistiques et prévisions : dans la liste déroulante des statistiques et des prédictions, différentes options de données peuvent être sélectionnées dans le jeu de données de sortie. Si vous ne sélectionnez aucune statistique ou prévision, seules la variable cible et les variables clés sont incluses.

Les options Statistiques et prévisions sont les suivantes :
- Date d'application : la date d'application est la date de début de l'application du modèle prédictif. Le type de colonne est TIMESTAMP.
- Date d'entraînement : la date d'entraînement est la date de début de l'entraînement du modèle prédictif. Le type de colonne est TIMESTAMP.
- Classe affectée : lors de l'application d'un modèle prédictif de régression à un jeu de données d'entrée, les informations de statistiques de sortie pour les classes affectées peuvent être appliquées. Lors de l'étape d'entraînement, Smart Predict utilise les observations passées dans un jeu de données d'entraînement pour créer un modèle prédictif. Dans l'étape d'application, Smart Predict associe chaque observation à une valeur prédite.
- En fonction de cette valeur, il regroupe la liste des observations allant de la valeur prédite la plus élevée à la plus basse dans 10 classes (ou groupes). Chaque classe représente 10 % des observations et, dans chaque classe, les observations ont la même valeur ou sont comprises dans une plage.
- Smart Predict fait référence aux classes définies dans l'étape d'entraînement pour affecter les observations actuelles de l'ensemble de données d'entrée à la classe pertinente. Il compare chaque valeur obtenue par le modèle prédictif. Les limites de chaque emplacement affecté sont définies dans l'étape d'entraînement : elle affecte ensuite chaque observation à l'emplacement pertinent.
Dans l'exemple suivant, un modèle de régression est utilisé pour prédire les valeurs de transaction pour le trimestre suivant. L'ensemble de données contient des observations sur 3 000 clients. Les emplacements affectés sont utilisés pour surveiller la structure de la population. Chaque classe doit contenir environ 10 % des observations. Par conséquent, si ces chiffres augmentent ou diminuent pour une ou plusieurs classes, cela indique que la population est en train de changer. Il se peut que le modèle prédictif doive être réentraîné avec des données plus récentes.
- À gauche, la répartition par classe est similaire dans l'ensemble de données de sortie et dans l'ensemble de données d'entraînement.
- À droite, dans l'ensemble de données d'application, 14 % des clients sont dans la tranche supérieure. Si vous vérifiez l'ensemble de données de build, vous constatez qu'il s'agit de plus de 10 % des clients attendus.

- Indicateur de valeur aberrante : pour chaque ligne de l'ensemble de données d'application, l'indicateur de valeur aberrante est un si la ligne est une valeur aberrante par rapport à la cible, sinon elle est égale à zéro. Une observation est considérée comme une valeur aberrante lorsque l'erreur de prévision est supérieure à trois fois l'erreur de prévision moyenne trouvée sur des observations similaires.
- Valeur prédite : la sélection de cette option crée la valeur prédite à partir du modèle de régression dans la table de sortie.
- Explication de la prévision : peut être utilisée pour afficher les motifs expliquant pourquoi Smart Predict a généré une prévision spécifique pour une entité spécifique de l'ensemble de données d'application.
Une explication (ou raison) est une combinaison d'une variable et de sa valeur ; par exemple, âge : 35 ans. Elle correspond à la valeur affectée à une variable donnée pour produire une prévision spécifique.
La force indique dans quelle mesure cette valeur affecte la prévision et la direction de cet impact. Dans un modèle de régression, une force positive augmente la valeur prédite, tandis qu'une force négative la diminue.
Smart Predict peut générer jusqu'à 10 explications. Lorsque le modèle prédictif utilise plus de 10 influenceurs pour générer les prévisions, Smart Predict agrège les explications avec la force absolue la plus faible (moins d'influenceurs contributifs) en deux groupes :
- Autres positifs : agrège les plus petits influenceurs positifs
- Autres négatifs : agrège les plus petits influenceurs négatifs.
La force associée aux autres positifs et négatifs est la somme de la force des explications agrégées. Lorsque le modèle prédictif utilise moins de 10 ou exactement 10 influenceurs pour générer des prédictions, l'autre groupe n'est pas généré car la liste d'explications fournie est complète.
Sortie comme : donnez un nom à votre ensemble de données généré.