预测技术智能化，机器学习是第一功臣

http://www.woshipm.com/ai/2042954.html

历史上，预测的主流分析方法是使用数据挖掘的一系列技术，而这其中被经常使用的是一种被称为“回归”的统计技术。但是回归分析对于历史数据的无偏差预测的渴求，并不能保证未来预测数据的准确度。而与回归分析不同，机器学习的预测不追求平均值的准确性，允许偏差，但求减少方差。

趋势

当下，人工智能已成为科技领域最热门的技术。机器学习、深度学习、人脸识别、无人驾驶、NLP，各种名词不绝于耳。

人工智能的应用一方面在不断改变我们每个人的生活方式，另一方面也在逐渐改变着企业的经营模式、决策方式。越来越多的企业经营者、高级管理人员、决策者都在这场了解人工智能的竞赛中感到焦虑，他们意识到：人工智能即将从根本上改变他们的行业。

在这场轰轰烈烈的人工智能浪潮中，我们发现：对于商业企业来说，人工智能并没有给他们带来太多所谓的智能，它带来的是智能的一个关键组成部分——AI预测。

预测是：根据事物以往和现今的数据，通过一定的科学方法和逻辑推理，对事物未来发展的趋势作出预计、推测和判断，寻求事物的未来发展规律。

预测不仅研究事物的本身，而且还要研究它和环境之间的相互作用、相互影响。预测的过程就是在调查研究或科学试验的基础上的分析过程，简称为预测分析。预测实际上是一种填补缺失信息的过程。

比如：将非常规的信用卡交易归类为盗刷，将医学影像中的肿瘤分类为恶性，或是判断当前拿着手机的人是否是真正的机主——即运用你现在掌握的信息（通常称为数据），生成你尚未掌握的信息。

这既包含了对于未来数据的时序预测，也包含了对当前与历史数据的分析判断，是更广义的预测。

在人工智能技术介入前，预测早已随处可见，小到个人股票投资，大到企业经营决策、国家制订国民经济发展规划，社会的方方面面无不体现着预测的重要性。

而人工智能的飞速发展，将为预测技术提供了更多可行的思路和方案，使得预测的准确度能够得到有效提升，为各行各业提供超越传统统计学分析的决策支持能力。

这当中，更为重要的是，AI预测更廉价。

“如果某样东西的价格下降，那么我们会更多地使用它。”——这是最简单的经济学，如今这种情况正出现在预测领域。

运算的成本变得足够低，继而帮助我们快速找到成千上万种应用方式。预测成本的下降也将影响其他东西的价值——比如：提高互补品（数据、判断和行动）的价值，以及降低替代品（人类预测）的价值。

智能

那么，预测技术发展到如今，何以称得上智能呢？

回过头来看，应该归功于更好的数据、模型和计算能力，它们促使预测技术飞速发展，从而走上“智能”之路。机器学习便是功臣之一。

历史上，预测的主流分析方法是使用数据挖掘的一系列技术，而这其中被经常使用的是一种被称为“回归”的统计技术。

回归做的是什么？

它主要是根据过去发生时间的“平均值”来寻找一种预测。

当然，回归也有很多种实现方式，有简单的线性回归，多项式回归，也有多因素的Logistic回归，本质上都是一种曲线的拟合，是不同模型的“条件均值”预测。

在机器学习之前，多元回归分析提供了一种处理多样条件的有效方法，可以尝试找到一个预测数据失误最小化，“拟合优度”最大化的结果。但是，回归分析中，对于历史数据的无偏差预测的渴求，并不能保证未来预测数据的准确度，这就是所谓的“过度拟合”。

与回归分析不同，机器学习的预测不追求平均值的准确性，允许偏差，但求减少方差。

过去，由于数据和计算能力的匮乏，机器学习的表现不如回归分析来得好。但如今，一切都不一样了，随着数据体量的不断增长，计算能力的不断提升，使用机器学习和（神经网络）深度学习来做预测效果比其他所有方法表现得都要更好。这使得我们利用统计学进行预测的方法发生了彻底的转变。把人工智能与机器学习的最新发展作为传统统计学的延伸与加强这是非常诱人的想法！

那么，如果仅仅是预测，为什么能称得上“智能”呢？

这是因为，某些情况下，我们预测的效果已经好到我们可以直接用来做决策，而无需再应用基于规则的逻辑。这其实也在改变着计算机编程的方式。

想象一下，原先复杂的业务场景下，基于“if…then…”以及传统的统计学方法来实现的代码逻辑，总是无法覆盖所有的条件组合。

而近年来，支撑预测方法进步的一种黑科技叫做“深度学习”，它与人类大脑有着类似的工作方式，利用“反向传播”的方法从数据中不断训练、反馈、学习，获取“知识”。

就预测而言，随着不断的训练、自我学习，预测模型会得到不断优化，预测准确性也在随着学习而改进，而越来越高的预测准确性为商业决策提供了可信赖的基础。

预测支持决策

一个完整的预测支持决策的回路包括下图所示8个组成部分。

这中间，数据在整个历史数据输入、模型训练、数据预测、决策、执行、结果收集、数据反馈的完整回路中流转。

数据清洗与特征工程是有效输入的核心。

实际情况中，由于预测项目开始前对数据的统一管理不够重视，对历史数据进行清洗整理会占掉整个预测项目的近一半时间。

数据质量的优劣，其实是预测项目成败极其重要因素。而有了优质的数据，提取恰当的特征也是预测成功与否的重中之重。足够丰富的带特征数据是预测模型得以训练的基础。预测是决策的核心输入。依赖训练得到的模型与未来有限的确定因素，来为决策提供数据预测支持。

而决策执行的结果又将反馈到训练模型，优化预测。

小结：

本文主要给大家介绍了：

AI发展的趋势。
AI预测的应用逻辑。
何为智能预测。
“数据——预测——决策——反馈”完整链路。

预测技术智能化，机器学习是第一功臣相关推荐

OncoImmunity成为获得机器学习新抗原预测技术临床应用CE-IVD标记的首家公司
挪威奥斯陆 -- (美国商业资讯) -- OncoImmunity成为获得机器学习新抗原预测技术临床应用CE-IVD标记的首家公司.此项品质保障认证代表了个体化癌症疫苗及细胞疗法设计中提高新抗原预测技 ...
python交通流预测算法_基于机器学习的交通流预测技术的研究与应用
摘要: 随着城市化进程的加快,交通系统的智能化迫在眉睫.作为智能交通系统的重要组成部分,短时交通流预测也得到了迅速的发展,而如何提升短时交通流预测的精度,保障智能交通系统的高效运行,一直是学者们研究的 ...
基于python对天气的预测_使用机器学习预测天气(第一部分)
概述本章是使用机器学习预测天气系列教程的第一部分,使用Python和机器学习来构建模型,根据从Weather Underground收集的数据来预测天气温度.该教程将由三个不同的部分组成,涵盖的主题 ...
基于机器学习的软件缺陷预测技术的研究综述
本文基于马樱博士<基于机器学习的软件缺陷预测技术研究>归纳总结而成,不具备论文作用,仅为学校交流中文摘要自过去几十年来,软件规模不断扩大,计算机程序设计变得更加复杂,软件规模显著增长, ...
技术 | 入门机器学习必须知道的6件事，你可未必都了然于心了
翻译 | AI科技大本营(rgznai100) 参与 | shawn 过去两年中,我曾经多次折服于机器学习的魅力.但每当我决定尝试新事物时,经常会不得不重新学习某些概念和课程,其实大部分学习就是这样一 ...
机器学习实战第一步：特征选择与特征工程「附代码」
https://www.toutiao.com/a6641904652575048206/ 2019-01-02 22:41:05 特征工程是机器学习的第一步,涉及清理现有数据集.提高信噪比和降低维数 ...
京东JIMI用户未来意图预测技术揭秘
随着近年来人工智能技术的发展,Chatbot聊天机器人越来越普及,随之而来的用户访问不断增多,如何让Chatbot系统在解决用户问题的同时简化用户操作,优化用户与机器人聊天过程中的体验成为当前难点. ...
第四范式入围Forrester Wave™：预测分析与机器学习中国市场评测报告位列领导者行列...
近日,国际知名市场研究公司Forrester发布了<Forrester WaveTM:Predictive Analytics And Machine Learning In China, Q4 ...
“AI颜狗”来啦！第一眼看到照片，就能预测人们对你的第一印象
转自大数据文摘世人皆是颜狗. 心理学家弗雷特说,以貌取人是人类的一种本能,这有可能是长期自然进化选择的结果. 因为人的大脑总是会选择对自己来说,是最不需要动脑思考的思维方式. 所以,人们就更倾向于通 ...

预测技术智能化，机器学习是第一功臣

趋势

智能

预测支持决策

预测技术智能化，机器学习是第一功臣相关推荐

最新文章

热门文章