مدل های پیش آگهی

مدل های پیش آگهی

مدل های پیش بینی شده الگوریتم هایی هستند که ارزش های آینده یا رویدادها را بر اساس داده های تاریخی تخمین می زنند. آنها تجزیه و تحلیل محصول، مدیریت ریسک، بازاریابی، ضد تقلب و بهینه سازی عملیاتی را پایه گذاری می کنند. در زیر یک راهنمای عملی است: از انتخاب جمله بندی کار به عملیات و کنترل کیفیت.

1) فرمول بندی کار و سیگنال ها

رگرسیون: پیش بینی ارزش مداوم (LTV، اندازه سپرده، اندازه چک).
طبقه بندی: احتمال یک رویداد (خروج مشتری از 30 روز، تقلب/عدم تقلب).
رتبه بندی: سفارش اشیاء توسط ارتباط (توصیه ها).
سری زمانی: پیش بینی تقویم (ترافیک، بار، درآمد).
بقا/زمان به رویداد: زمان تخمین زده شده برای خروج/بازپرداخت.
مدل سازی بالا بردن: افزایش در اثر تاثیر (که سهام واقعا تغییر رفتار).
تولیدات چند طبقه/چند برچسب: چندین حالت/رویداد در همان زمان.

مدل های بیزی و احتمالاتی: پیش بینی با عدم قطعیت ظاهری

2) داده ها و آماده سازی

پنجره دانه و مشاهده: واحد پیش بینی (کاربر/جلسه/روز) و یک «پنجره» صادقانه برای جمع آوری ویژگی ها تا لحظه پیش بینی تعریف کنید.
متغیر هدف: تعریف روشن، افق (7/30/90 روز)، حذف نشت آینده.
ویژگی ها: aggregates by windows (7/30/90)، فرکانس های رفتاری، توالی ها، رمزگذاری های طبقه بندی شده، تعاملات، آمار بخش.
کیفیت داده ها: حذفیات، پرت، تکراری، تغییرات مدار، ثبات برچسب زمان.
تعادل کلاس: طبقه بندی، وزن، oversampling/undersampling - مراقب باشید که تعصب را معرفی نکنید.

3) انتخاب الگوریتم

خطی پایه: رگرسیون خطی/لجستیک، تنظیم (L1/L2/Elastic Net) - سریع، قابل تفسیر است.
درختان و گروه ها: جنگل تصادفی، افزایش شیب (XGBoost/LightGBM/CatBoost) - خطوط پایه قوی.
شبکه های عصبی: MLP/Seq2Seq/Transformer برای الگوهای پیچیده (متون، توالی ها، سری های زمانی).
سری زمان: ARIMA/ETS، پیامبر، افزایش گرادیان با عقب، DeepAR/N-BEATS/Temporal Fusion Transformer.
بالا بردن: رویکرد دو مدل، T-Learner/S-Learner/X-Learner، درختان اثر علی.
بقا: کاکس، AFT، جنگل بقا تصادفی.
بیزی: مدلهای GLM/سلسله مراتبی با توزیعهای قبلی.

تمرین: با یک پایه ساده و قابل تکرار شروع کنید، فقط با دستاوردهای ملموس در معیارها و ثبات، مشکل را اضافه کنید.

4) جداسازی و اعتبارسنجی

CV زمانی: برای وظایف با زمان - بخش های تاریخ (نورد/گسترش پنجره ها).
طبقه بندی: برای کلاس های نامتعادل.
اعتبار گروه: جلوگیری از «نشت» بین گروه ها (user_id، campaign_id).
آزمون خارج از زمان: بررسی نهایی در دوره «آینده».
خطوط پایه: ساده و بی تکلف (آخرین مقدار، متوسط)، فرکانس، logreg ساده - برای اندازه گیری ارزش واقعی است.

5) معیارهای کیفیت

طبقه بندی: ROC-AUC، PR-AUC (مهم در حوادث نادر)، logloss، نمره Brier، F1، precision/recall @ k، lift/NDCG.
رگرسیون: RMSE/MAE/MAPE، sMAPE، R ²، از دست دادن چندک (برای صدک).
سری زمان: MAPE/sMAPE/MASE، از دست دادن پین بال (پیش بینی چندک).
بقا: شاخص هماهنگی، Brier برای زمان به رویداد.
بالا بردن: Qini، @k بالا بردن، AUUC.
معیارهای کسب و کار: سود افزایشی، کاربران حفظ شده، کاهش تقلب، SLA دقت.

توصیه: همیشه دو سطح از معیارها را ذخیره کنید - «کیفیت ML» و «اثر تجاری».

6) کالیبراسیون و آستانه

کالیبراسیون احتمال: پلت، ایزوتونیک، مقیاس دما.
انتخاب آستانه: با اهداف کسب و کار (حداکثر سود/محدودیت مثبت کاذب)، با هزینه/جریمه.
ثبات آستانه: نظارت با توجه به تغییرات در توزیع.

7) تفسیر و توضیح پذیری

جهانی: اهمیت ویژگی ها (افزایش، جایگزینی)، PDP/ICE، خلاصه SHAP.
به صورت محلی: SHAP/LIME برای توضیح راه حل شی.
نکته: تفسیر پذیری ابزاری برای اعتبار و اعتماد فرضیه است، نه یک «حقیقت» مطلق.

8) استقرار مبارزه

خدمت: آنلاین (REST/gRPC، تاخیر کم) و دسته ای (ساعتی/روزانه).
نسخه بندی: مدل ها، داده ها، طرح ها و ویژگی ها (رجیستری).
Fichestores: آنلاین/آنلاین سازگاری، نقطه در زمان صحت.
کنترل تاخیر: بودجه استخراج ویژگی، استنتاج، پس پردازش.
Fail-safe: قوانین پیش فرض، تخریب پایه، زمان بندی و بازپرداخت.
A/B و گسترش تدریجی: انتشار قناری، آینه سازی سایه/استنتاج.

9) نظارت و رانش

کیفیت: معیارهای فروش (ROC-AUC/PR-AUC توسط برچسب های معوق، KPI های تجاری).
توزیع: PSI/JS-واگرایی/KL، رانش ویژگی و هدف.
سلامت داده ها: سهم شکاف ها، کاردینالیتی دسته ها، سنبله ها، تاخیر خط لوله.
هشدار و SLO: آستانه، runibooks (چه باید بکنید زمانی که تنزل).
بازآموزی: توسط برنامه، توسط رانندگان رانش، فصلی ؛ کنترل رگرسیون کیفیت.

10) ایمنی، انطباق و اخلاق

حریم خصوصی: به حداقل رساندن داده ها، pseudonymization، کنترل دسترسی.
عدالت: بررسی تعصب توسط بخش (نرخ مثبت/منفی کاذب)، تنظیم نمونه/آستانه.
GDPR/هنجارهای محلی: اهداف پردازش، عمر مفید، حق توضیح.
حسابرسی و تکرارپذیری: ردیابی نسخه، مجامع تجدید پذیر، ورود به سیستم راه حل.

11) قالب برای موارد معمول

Churn: طبقه بندی باینری ؛ معیارهای PR-AUC، آزمون بالا بردن برای کمپین های حفظ ؛ نتیجه گیری - اولویت بندی پیشنهادات.
Antifraud: طبقه بندی با تعادل بالا ؛ معیارهای PR-AUC، به یاد بیاورید @ low-FPR ؛ محدودیت های تاخیر شدید.

LTV/ARPPU: رگرسیون یا رگرسیون چندک ؛ بازآرایی منظم

پیش بینی بار/درآمد: سری زمانی ؛ مجموعه ای از مدل های آماری و ML ؛ فصلی و تعطیلات به عنوان ویژگی ها.
توصیه های شخصی: رتبه بندی/matrixing/seq-models ؛ به روز رسانی آنلاین و بهره برداری (راهزنان چند مسلح).

12) فرآیند (چرخه عمر ML)

1. مشکل و KPI 2. داده ها و ویژگی ها → 3. پایه → 4. مدل ها و → انتخاب

2. کالیبراسیون و آستانه → 6. اعتبار سنجی و A/B → 7. نظارت و کنترل 8. بازآموزی/تکامل

هر مرحله مستند شده است: نمودار داده ها، پیکربندی آموزش، نسخه های مصنوعات، نتایج تجربی.

13) مهندسی ویژگی (مختصر)

Aggregates: مبالغ/میانگین/چندک توسط پنجره.
شمارنده ها و فرکانس ها: تبدیل، نادر بودن دسته ها.
زمان تاخیر و روند: deltas، smoothes نمایی.
دسته بندی های رمزگذاری: رمزگذاری هدف/آمار (با دقت نشت)، WoE، یک داغ/هش.
متون و رویدادها: TF-IDF، تعبیه، ویژگی های توالی.
منطق کسب و کار: ویژگی های دامنه (به عنوان مثال، «تعداد روز با آخرین پرداخت»).

14) مدیریت آزمایش

ردیابی: معیارها، پارامترها، مصنوعات، مجموعه داده ها.
Hyperparameters: ادعای بیزی، جستجوی تصادفی/شبکه، توقف زود هنگام.
کنترل ویژگی: کاتالوگ داده ها، قرارداد مدار، تست سازگاری.

15) چک لیست پیش فروش

• بدون نشت آینده ؛ اعتبار سنجی زمانی صحیح
• معیارهای مقاوم در برابر برشی هستند. یک آزمایش OOT داشته باشید
• کالیبراسیون تایید شده ؛ آستانه کسب و کار انتخاب شده است
• ویژگی های داده ها و اسناد قرارداد
• توابع تخریب و هشدار پیکربندی شده اند
• طرح بازآموزی و معیارهای توقف
• چک های حقوقی و اخلاقی گذشت

واژه نامه کوتاه

رانش توزیع: تغییر در آمار داده ها/هدف در طول زمان.
کالیبراسیون: کاهش احتمالات به فرکانس واقعی حوادث.
بالا بردن: پیش بینی تفاوت اثر بین «درمان» و «کنترل».
تست OOT: تایید مدل در یک دوره کاملا نامرئی در طول آموزش/اعتبار سنجی.

مجموع

یک مدل پیش بینی شده نه تنها یک الگوریتم است، بلکه یک فرآیند است: بیان صحیح مشکل، نظم و انضباط داده ها، اعتبار دقیق، خطوط لوله تخلیه قابل تجدید، نظارت و اخلاق. پیروی از چرخه توصیف شده خطر «معیارهای آفلاین زیبا» را کاهش می دهد و ارزش واقعی محصول را افزایش می دهد.