Excel-də Süni İntellekt: Çətinliklər və Dərslər

Excel və XLMiner əlavəsi bir çox təşkilat üçün süni intellekt və proqnozlaşdırıcı modelləşdirmə sahəsində əsas platforma rolunu oynayır. Lakin bu alətin sadəliyi, etibarlı analitik sistemlər qurmaqla bağlı kritik boşluqları gizlədir. Bu yazıda, bir kredit təsdiqi layihəsi zamanı qarşılaşılan problemlərdən öyrənilən 5 əsas dərs və onların həll yolları ilə tanış olacaqsınız.

1. Çoxsaylı Metodlarla Anomal Dəyər Analizi

Anomal dəyərlərin düzgün idarə olunmaması kritik məlumatların itirilməsinə səbəb ola bilər. Məsələn, bir layihədə yaşayış əmlaklarının 95-ci faizdən yuxarı olan dəyərləri səhvən aradan qaldırılmışdı. Nəticədə, yüksək dəyərli əmlaklar kimi vacib seqmentlər itirilmişdi.

Həll yolu: Müxtəlif metodlardan istifadə edin və əl ilə araşdırma aparın. IQR, 3-sigma və faiz metodlarını birləşdirərək daha dəqiq analiz əldə edə bilərsiniz. Əlavə olaraq, hər bir anomal dəyəri əl ilə araşdıraraq qeydlər edin və qərarlarınızı əsaslandırın.

2. Təsadüfi Toxumlar Təyin Edin

Model nəticələrinin təkrarlanmaması analizin etibarlılığını sual altına qoyur. Məsələn, bir gün təsdiq dəqiqliyi 97.3% olduğu halda, ertəsi gün 96.8% olmuşdu. Bu fərq kiçik görünə bilər, lakin etibarlılığa böyük təsir göstərir.

Həll yolu: XLMiner-də 'Set seed' seçimini aktivləşdirin və müəyyən bir toxum dəyəri təyin edin. Bu, modelin təkrarlanmasını təmin edəcək və nəticələrin etibarlılığını artıracaq.

3. Üçlü Məlumat Bölüşdürməsi

Məlumatın düzgün bölüşdürülməməsi nəticələrin şişirdilməsinə səbəb ola bilər. XLMiner-in standart 60/40 bölüşdürmə metodu test dəstini nəzərə almır.

Həll yolu: Məlumatı üç hissəyə bölün: təlim (50%), doğrulama (30%) və test (20%). Bu yanaşma modelin real dünya performansını daha obyektiv qiymətləndirməyə imkan verir.

4. Təlim-Doğrulama Fərqini İzləyin

Modelin təlim dəstində yüksək performans göstərib doğrulama dəstində zəif nəticələr verməsi 'overfitting'ə işarədir. Bu, modelin məlumatı əzbərləməsi deməkdir.

Həll yolu: Təlim və doğrulama performansını sistematik olaraq müqayisə edin. Fərq 3%-dən az olduqda yaxşı, 3-5% olduqda diqqətli, 5%-dən çox olduqda isə narahat edici hesab edilir.

5. Kateqorik Dəyərlər Üçün Məlumat Təsdiqi

Sadə yazı səhvləri, məsələn, 'gradute' yerinə 'graduate', modeldə gözlənilməz kateqoriyalar yarada bilər və nəticələrin doğruluğuna zərər verə bilər.

Həll yolu: Excel-in məlumat təsdiqi funksiyasından istifadə edin. Kateqorik dəyişənlər üçün düzgün dəyərlər siyahısı yaradın və istifadəçilərin yalnız bu siyahıdan seçim etməsini təmin edin.

Nəticə

Bu sadə, lakin təsirli metodlar Excel-də süni intellekt tətbiqlərini daha etibarlı və dəqiq edir. Onları tətbiq etməklə həm analizin keyfiyyətini, həm də nəticələrin etibarlılığını artırmaq mümkündür.