Меню

Массовая предиктивная аналитика. Качество модели и отклонение. Автоматическое переобучение моделей

|

Любая предиктивная модель со временем теряет свою актуальность: меняются рыночные условия и поведение клиентов, что приводит к «дрейфу» данных и снижению точности прогнозов. Чтобы аналитика продолжала приносить бизнес-ценность, необходим постоянный контроль и своевременное обновление алгоритмов. Как решить эту задачу в SAP Predictive Analytics? Мы рассмотрим настройку проверки отклонений модели, оценку её качества через метрики KI и KR, а также лучшие практики автоматизации переобучения моделей.

Любая предиктивная модель со временем теряет свою актуальность: меняются рыночные условия и поведение клиентов, что приводит к «дрейфу» данных и снижению точности прогнозов. Чтобы аналитика продолжала приносить бизнес-ценность, необходим постоянный контроль и своевременное обновление алгоритмов. Как решить эту задачу в SAP Predictive Analytics? Мы рассмотрим настройку проверки отклонений модели, оценку её качества через метрики KI и KR, а также лучшие практики автоматизации переобучения моделей.

Оформите подписку sappro и получите полный доступ к материалам SAPPRO

У вас уже есть подписка?

Войти
Продолжая использовать сайт, вы соглашаетесь на обработку персональных данных, собираемых с использованием cookie-файлов и сервиса «Яндекс Метрика» для анализа использования сайта и оценки эффективности маркетинговых кампаний. Более подробная информация представлена в Политике конфиденциальности.
Понятно