實踐大學數據分析實驗室

資料科學的核心是機器學習。但在現實環境中，教科書式的問題如；分析誰會購買，評估網頁排名或預測系統將崩潰，如此簡單明白的議題往往是不存在的。而在這篇文章中，我們會從更實際的情景來討論資料科學的使用，而處方分析（ Prescriptions Analysis ）將【機器學習】和【全域優化】相互結合的技術，可以解決日常中實際的問題，將扮演一個非常重要的角色。   處方分析 - 該做什麼，而不是將要發生什麼 這個部分，我最喜歡的用 RM 創始人之一的 Igno Mierswa 所引用例子來解釋的。假設你有一個機器學習模型，它預測明天會下雨，這對你意味著什麼？你是開車去上班、還是騎自行車？嗯，我會開車吧。但大家都知道要下雨，所以你可能不是唯一一個開車的人。結果可能是交通堵塞了一個小時。儘管下雨，可能還是繼續騎自行車好吧，對嗎？這個時候你的決定不只有天氣，可能也要包括交通狀況的預測，以便對於之後的行動做出最好的決定。該如何做呢？   方法是首先定義一個合適度函數（ Fitness Function ），作為判斷方案的和適度。然後將天氣預測（可能是根據歷史資料做的回歸分析），預期的交通狀況（可能是依照路況做分類分析）和您的個人喜好（這個可能是決策樹分析）。把所有的考量模型都放入其中，而後調整輸入的變數（雨量大小，出發時間，等等。）而後找到一個最優化的解決的條件（例如；早上 9 點高峰前開車出發，躲雨又不堵塞），這就是處方分析！這樣做的目的，不僅是預測將要發生的事情，還可以就該做什麼提出最優化的建議。 在實際的世界中，很多時候的狀況多是如此。實際上，並沒有一個簡單的問題，然後用某個資料分析的方式就解決了。就算是使用 所謂的 QBQ/CRISP-DM 的思考框架，也通常是沒有辦法單純化成幾個簡單資料分析，就把問題解決。必須在許多面向上做全域的考量與規劃，平衡多個並行的模型之後，進行更細部與精緻的分析，綜合全部的狀況而提出最優化的建議。 實際做法 – 明白其中的概念，幫助實際的問題 用一個例子來說明；我們希望找到產品的最優價格。首先，我們可以用不同的價格，然後評估客戶接受我們報價的信心度大於 0.75 （自己定義的閾值）來做評估。我們先建立一個目標公式，也就是使用自訂的和適度（ Fitness ）作為量化標準，而後公式如下： Fitness = Price – ...