Prognoz modelleri

Prognostiki modeller geljekdäki gymmatlyklara ýa-da wakalara taryhy maglumatlar esasynda baha berýän algoritmlerdir. Olar azyk analitikasynyň, töwekgelçilik-dolandyryşyň, marketingiň, antifrodyň we operasiýa optimizasiýasynyň esasyny düzýär. Aşakda - meseläniň formulasyny saýlamakdan başlap, ekspluatasiýa we hil gözegçiligine çenli amaly gollanma.

1) Wezipeleriň düzülmegi we signallary

Regressiýa: üznüksiz ululygyň çaklamasy (LTV, goýumyň ululygy, çekiň ululygy).
Klassifikasiýa: wakanyň ähtimallygy (müşderiniň 30 günde çykmagy, frod/frod däl).
Reýting: degişli obýektleri tertipleşdirmek (teklipler).
Wagt hatarlary: senenama boýunça çaklama (traffik, ýük, girdeji).
Survival/Wakadan öň wagt: Akym/gaýtadan töleg wagtyna baha bermek.
Uplift-modellemek: täsiriň täsiriniň ýokarlanmagy (haýsy hereket özüni alyp barşyny üýtgedýär).
Köp synply/köp hatly sahnalar: bir wagtyň özünde birnäçe ýagdaý/waka.
Baýes we ähtimallyk modelleri: aç-açan näbellilik bilen çaklama.

2) Maglumatlar we taýýarlyk

Däne we gözegçilik penjiresi: çaklamanyň birligini (ulanyjy/sessiýa/gün) we çaklamanyň pursatyna çenli alamatlary ýygnamagyň dogruçyl "penjiresini" kesgitläň.
Maksat üýtgemegi: anyk kesgitleme, gözýetimler (7/30/90 gün), geljegiň syzmagyny aradan aýyrmak.
Alamatlary: penjireler boýunça agregatlar (7/30/90), özüni alyp barşyň ýygylygy, yzygiderliligi, kategoriki kodingler, özara gatnaşyklar, segmentler boýunça statistika.
Maglumatlaryň hili: geçişler, zyňyndylar, dublikatlar, shemalaryň üýtgemegi, wagt bellikleriniň yzygiderliligi.
Synplaryň balansy: gatlaklaşdyrmak, agram salmak, oversampling/undersampling - süýşmezlik üçin seresaplylyk bilen.

3) Algoritmleri saýlamak

Esasy çyzykly: çyzykly/logistiki regressiýa, tertipleşdirmek (L1/L2/Elastic Net) - çalt, düşündirilýän.
Agaçlar we ansambllar: Random Forest, Gradient Boosting (XGBoost/LightGBM/CatBoost) - güýçli beýzleýniler.
Nerw ulgamlary: çylşyrymly nagyşlar üçin MLP/Seq2Seq/Transformer (tekstler, yzygiderlilik, wagt hatarlary).
Wagtlaýyn hatarlar: ARIMA/ETS, Prophet, Lagalar bilen Gradient Boosting, DeepAR/N-BEATS/Temporal Fusion Transformer.
Uplift: iki modelli çemeleşme, T-Learner/S-Learner/X-Learner, sebäpsiz agaçlar.
Survival: Cox, AFT, Random Survival Forests.
Baýesowskie: GLM/ierarhiki modeller prior paýlanyşy bilen.

Amal: Ýönekeý we oýnalýan bazline başla, diňe metrikler we durnuklylyk boýunça ep-esli ýeňiş gazanylanda kynçylyk goşuň.

4) Bölünmek we tassyklamak

Temporal CV: wagt bilen meseleler üçin - seneler boýunça kesişler (rolling/expanding windows).
Stratifikasiýa: deňagramsyz synplar üçin.
Toparlaýyn tassyklama: toparlaryň arasynda "syzmaga" ýol bermäň (user_id, campaign_id).
Out-of-time synagy: "geljekki" döwürde soňky synag.
Esasy: hakyky gymmaty ölçemek üçin sada (iň soňky, orta), ýygylyk, ýönekeý logreg.

5) Hil ölçegleri

Klassifikasiýa: ROC-AUC, PR-AUC (seýrek hadysalarda möhümdir), logloss, Brier score, F1, precision/recall @k, lift/NDCG.
Regressiýa: RMSE/MAE/MAPE, sMAPE, R ², quantile loss (persentiller üçin).
Wagt hatarlary: MAPE/sMAPE/MASE, Pinball loss (kwantil çaklamasy).
Survival: Concordance index, Brier wagt-wakadan öň.
Uplift: Qini, uplift@k, AUUC.
Iş metrikleri: içerki girdeji, saklanan ulanyjylar, pese gaçmak, SLA takyklygy.

Maslahat: elmydama iki derejeli metrikleri saklaň - "ML-hil" we "iş täsiri".

6) Kalibrlemek we bosagalar

Ähtimallyk kalibrlemesi: Platt, isotonic, temperature scaling.
Bosagany saýlamak: işewürlik maksatlary boýunça (iň köp girdeji/ýalan pozitiwleri çäklendirmek), çykdajylar/jerimeler boýunça.
Bosaganyň durnuklylygy: paýlanyşyň üýtgemegini göz öňünde tutup gözegçilik.

7) Düşündirilmegi we düşündirilmegi

Global: alamatlaryň ähmiýeti (gain, permutation), PDP/ICE, SHAP-habarlar.
Lokal: Obýekt boýunça çözgüdi düşündirmek üçin SHAP/LIME.
Caveat: Düşündirmek, mutlak "hakykat" däl-de, çaklamalary we ynamy tassyklamak üçin guraldyr.

8) Söweşjeň ýerleşdirmek

Hyzmat: onlaýn (REST/gRPC, pes gijikdirme) we batch (her sagat/her gün).
Wersiýa: modeller, maglumatlar, shemalar we şekiller (registry).
Fichestorlar: onlaýn/awtonom yzygiderlilik, nokat-in-time dogrulygy.
Gijikdirmelere gözegçilik etmek: alamatlary çykarmak üçin býudjet, inferens, post-prosesler.
"Fail-safe": defolt düzgünleri, beýzline çenli pese gaçmak, wagt we retra.
A/B we kem-kemden rollout: kanareýanyň çykarylyşy, şadow/inference mirroring.

9) Gözegçilik we süýşmek

Hili: önümdäki metrikler (gijikdirilen bellikler boýunça ROC-AUC/PR-AUC, biznes-KPI).
Paýlanyşy: PSI/JS-divergence/KL, alamatlar we maksat süýşmesi.
Data Health: geçişleriň paýy, kategoriýalaryň kardinallygy, yslanmalar, paýlaýjylaryň gijikdirilmegi.
Alerting we SLO: bosagaly bahalar, runibuklar (zaýalananda näme etmeli).
Retrening: meýilnama boýunça, dreýfiň triggerleri boýunça, möwsümliligi boýunça; hil regressiýasyna gözegçilik.

10) Howpsuzlyk, laýyklyk we ahlak

Gizlinlik: maglumatlary minimallaşdyrmak, lakamlaşdyrmak, elýeterlilige gözegçilik etmek.
Adalat: segmentler boýunça bias barlagy (false positive/negative rate), sampllary/bosagalary düzetmek.
GDPR/ýerli kadalar: gaýtadan işlemegiň maksatlary, saklanyş möhleti, düşündiriş hukugy.
Audit we köpeltmek: wersiýalary yzarlamak, köpeldilýän ýygnaklar, çözgütler magazineurnaly.

11) Adaty ýagdaýlar üçin şablonlar

Akym (churn): ikilik klassifikasiýa; metrikler - PR-AUC, saklamak kampaniýalary üçin uplift synagy; netije - offerleriň ileri tutulmagy.
Antifrod: ýokary deňagramly klassifikasiýa; metrikler - PR-AUC, recall @low -FPR; berk latency-çäklendirmeler.
LTV/ARPPU: regressiýa ýa-da kwantil regressiýasy; yzygiderli gaýtadan kalibrlemek.
Ýüküň/girdejiniň çaklamasy: wagtlaýyn hatarlar; statistik we ML-modeller ansambly; möwsümlilik we baýramçylyklar.
Şahsy teklipler: reýting/matrfaktorizasiýa/seq-modeller; onlaýn täzelenmeler we eksploratiýa (mult-armed bandits).

12) Proses (ML Lifecycle)

1. Mesele we KPI → 2. Maglumatlar we çyzgylar → 3. Beýzline → 4. Modeller we saýlama →

2. Kalibrlemek we bosagalar → 6. Tassyklama we A/B → 7. Hyzmat we gözegçilik → 8. Retrening/ewolýusiýa.

Her basgançak dokumentleşdirilýär: maglumatlaryň shemalary, okuw konfigalary, artefaktlaryň wersiýalary, synaglaryň netijeleri.

13) Alamatlar in engineeringenerçiligi (gysgaça)

Agregatlar: penjireler boýunça jemler/ortaça/kwantiller.
Hasaplaýjylar we ýygylyklar: öwrülişikler, kategoriýalaryň seýrek bolmagy.
Wagtlaýyn laglar we tendensiýalar: deltalar, eksponensial tekizlemeler.
Kategoriýalary kodlamak: target/stats encoding (syzdyrmalar bilen seresaplylyk bilen), WoE, one-hot/Hashing.
Tekstler we wakalar: TF-IDF, embedding, sequence-fiçler.
Işewürlik logikasy: domen alamatlary (mysal üçin, "soňky töleg bilen günleriň sany").

14) Synaglary dolandyrmak

Treking: metrikler, parametrler, artefaktlar, datasetler.
Giperparametrler: Baýes kazyýet işi, random/grid search, irki duralga.
Şekillere gözegçilik etmek: data-katalog, shema şertnamasy, laýyklyk synaglary.

15) Azyk önüminden öň çek-sanawy

Geljegiň syzmagy ýok; dogry wagtlaýyn tassyklama
Metrikler üýtgäp durýarlar; OOT synagy bar
Kalibrlemek barlandy; iş bosagasy saýlandy
Fiziki we maglumat şertnamalarynyň resminamalary
Zaýalanma we töwekgelçilik funksiýalary sazlandy
Retrening meýilnamasy we durmak ölçegleri
Hukuk we ahlak barlaglary geçdi

Kiçi sözlük

Paýlanyşyň süýşmegi: maglumat statistikasynyň üýtgemegi/wagt nyşany.
Kalibrlemek: hadysalaryň hakyky ýygylygyna ähtimallyklary getirmek.
Uplift: "işlenen" bilen "gözegçilik" arasyndaky täsir tapawudynyň çaklamasy.
OOT-synag: okuw/tassyklama wagtynda doly görünmeýän döwürde modeli barlamak.

Jemi

Prognostiki model diňe bir algoritm däl, eýsem proses: meseläniň dogry goýulmagy, maglumatlaryň tertibi, depla-payplaýnlar tarapyndan gaýtalanýan berk tassyklama, gözegçilik we ahlak. Beýan edilen sikle eýermek "oflayn owadan metrikler" töwekgelçiligini peseldýär we önümde hakyky gymmaty ýokarlandyrýar.

Prognoz modelleri