Analytics

Find out how analytics, from data mining to cognitive computing, is changing the way we do business

Analytics | Artificial Intelligence
Robert Ruf 0
Gesunder Intelligenzmix für öffentlichen Sektor: künstlich und natürlich

Vor zwei, drei Jahren war „digitale Transformation“ nur ein Wort. Heute findet sie statt. Handwerk, Industrie, Banken, Gesundheitswesen – überall werden überholte und ineffiziente Strukturen abgelöst. Gerade Dienstleistungen sind schon spürbar schneller, unkomplizierter und besser verfügbar geworden. Und die Services öffentlicher Behörden? Auch dort bewegt sich einiges, aber: Es ist

Analytics
Mayra Pedraza 0
Re-energising citizen engagement

Could smart cities and social media be the perfect match? Politics is a divisive issue and not simply from a philosophical standpoint. Different sections of society have very different engagement levels. We could postulate many reasons for this, but the real question is, how can government re-energise citizen engagement in

Analytics
Mike Gilliland 0
Predictive applications in IoT

The value of any data lies, of course, in its use to make better decisions that lead to more favorable results – like increased revenue and profit, improved customer satisfaction, and increased safety. The Internet of Things is giving us a lot more data. The challenge is how to manage

Advanced Analytics | Analytics | Artificial Intelligence | Machine Learning
Makoto Unemi (畝見 真) 0
PythonやRで開発されたモデルの精度をビジュアルパイプラインで簡単比較

データサイエンティスト(以降、DSと表記)は、お好みのプログラミング言語を使用して、日々モデリングを行っています。昨今は、その中でもオープンソースのプログラミング言語であるPythonやRを使用されている方の割合が多くなってきているようです。その結果として、企業の分析組織やチーム内には複数の異なる言語を活用するDSが混在するケースも見受けられます。(一人で両方の言語を操る方もいます。) 「Pythonを操るAさんが作成されたモデルと、Rを操るBさんが作成されたモデル、どちらの精度が高いのかを容易かつビジュアルに比較することができたら…」  ということで、今回は、SAS ViyaのModel Studioを使用し、ビジュアルなパイプライン上での異なる言語間モデル精度比較をご紹介します。  手順は以下の通りです。 ① プロジェクトの新規作成と学習用のデータソース選択 ② パイプラインの作成と実行 ③ 実行結果(モデル精度)の確認 ① プロジェクトの新規作成と学習用のデータソース選択 「SAS Viya: ビジュアルパイプラインで予測モデル生成(基本編)」の「1.プロジェクトの新規作成と学習用のデータソース選択」を参照ください。 ② パイプラインの作成と実行 画面上部にある「パイプライン」をクリックします。 パイプラインには「データ」ノードのみが表示されています。左端の機能ノードアイコンをクリックすると、 パイプラインに追加可能な機能ノードのリストが表示されます。 まずは学習データに対する前処理として、欠損値補完を行います。 「データマイニングの前処理」内にある「補完」を「データ」ノード上にドラッグすると、 「データ」ノードの下に「補完」ノードが追加されます。 同様の手順で、「その他」内にある「オープンソースコード」を「補完」ノード上へドラッグすると、「補完」ノードの下に「オープンソースコード」ノードが追加されます。 機能ノードごとのオプション設定は、右側画面内で行います。 「言語」が「Python」であることを確認し、「開く」をクリックします。 開かれた画面内に、比較対象のPythonのコード(ランダムフォレストのモデル)をコピーします。右上の「保存」(フロッピーディスクアイコン)をクリックし、「閉じる」をクリックします。 ※ターゲット変数名や入力変数リスト名など、画面左側の変数名を使用することによって、オープンソースコードノードとその他のノード間でのデータ連携が可能となり、異なる言語のモデル間での精度比較も可能になります。各種規定変数名の詳細に関しては、オンラインマニュアルを参照してください。 「オープンソースコード」ノードの右側にある3つのドットが縦に並んでいる(スノーマン)アイコンをクリックし、「名前の変更」を選択し、 「Pythonフォレストモデル」に変更します。 このようにドラッグ操作でノードを追加する以外に、パイプライン上のメニューからノードを追加することもできます。 「補完」ノードのスノーマンアイコンをクリックし、「下に追加」>「その他」>「オープンソースコード」の順に選択すると、 「補完」ノードの下に「オープンソースコード」ノードが追加されます。 以降、同様の手順で比較対象のRのコード(ランダムフォレストのモデル)をコピーし、ノードの名前を変更します。 「オープンソースコード」ノードは、データに対する前処理として使用することもできます。デフォルトでは、「オープンソースコード」ノードは、データに対する前処理として認識されているので、これを「教師あり学習」に切り替えます。 PythonとRのモデルノードそれぞれのスノーマンアイコンをクリックし、「移動」>「教師あり学習」を選択します。 すると、「モデルの比較」ノードが追加され、PythonとRのモデルノードと接続されます。 パイプラインが完成したので、右上の「パイプラインの実行」アイコンをクリックし、実行します。 ③ 実行結果(モデル精度)の確認 処理が正常に完了したら、「モデル比較」ノードのスノーマンアイコンをクリックし、「結果」を選択します。 Rのフォレストモデルの方が精度が高い、チャンピオンモデルであると表示されました。 リフトやROC、様々な統計量で、精度を詳細に比較することもできます。 以上が、ビジュアルパイプラインでPythonとRのモデル精度を比較する手順です。 もちろん、必要に応じて、PythonやRのモデルとSASのモデルの精度を比較することもできます。 ※ビジュアルパイプラインでPythonとRのモデル精度を比較は、SAS Viya特設サイトにある動画でもご覧いただけます。 ※実際にPythonとRのモデル精度比較を試してみたい方は、Githubに公開されているアセットを活用ください。

Analytics | Artificial Intelligence | Internet of Things | Machine Learning
Charlie Chase 0
Practical approaches to new product forecasting using structured and unstructured data

When it comes to forecasting new product launches, executives say that it's a frustrating, almost futile, effort. The reason? Minimal data, limited analytic capabilities and a general uncertainty surrounding a new product launch. Not to mention the ever-changing marketplace. Nevertheless, companies cannot disregard the need for a new product forecast

Analytics
Michael Rabin 0
„Und plötzlich steht das Aktuariat wieder im Mittelpunkt“

Versicherungen arbeiten intensiv daran, ihre Geschäftsmodelle zu erneuern. Ein modernisiertes Aktuariat spielt dabei eine Schlüsselrolle. Warum? Das habe ich meinen Kollegen und ausgebildeten Aktuar Diego Rivas gefragt. Das Versicherungsgeschäft wirkt von außen wie ein langer, ruhiger Fluss. Trügt der Schein? Heute – eindeutig ja. Der Markt ist längst gesättigt, und

Analytics
Sasa Crnojevic 0
Choice in communications service provision: Why analytics is essential to the ‘network revolution’ in telecoms 

There is a virtualisation revolution happening in networks, as communication services providers increasingly turn to automation to deliver ongoing cost savings. 5G is also just around the corner and will place increasing demands on networks.  As a result, there are a number of changes on the horizon. The first is

Analytics | Data Management
Jeanne (Hyunjin) Byun 0
2019 데이터 사이언티스트로 향하는 길

불과 몇 년 전 까지만 해도 ‘데이터 사이언티스트’라는 단어는 많은 사람들에게 꽤나 생소한 단어였을 것입니다. 하지만 4차 산업혁명이 이미 산업 전반에 깊숙이 자리한 오늘날, 빅데이터 분석이 핵심 역량으로 부상하며 데이터 과학자(data scientist)의 인지도 역시 굉장히 높아졌습니다. 단순히 인지도뿐만이 아닙니다. 세계 최대 취업 정보 사이트 글래스도어(Glassdoor)가 발표한 2019년 ‘미국 최고 직업

1 4 5 6 7 8 100

Back to Top