Wie maschinelles Lernen Verräter bei Game of Thrones vorhersagte

Wie können Sie also vorhersagen, wann sie kurz davor sind, abzuwandern (oder zu kaufen)? Unsere erste Herausforderung besteht darin, die für das Training benötigten Daten – eine Liste verschiedener Verhaltensaktivitäten von Menschen mit unterschiedlichen Persönlichkeitsmerkmalen – in Charaktermerkmalsdaten umzuwandeln, die vom Modell verarbeitet werden können. Anschließend nutzten wir diese Aktivitätsdaten, die ihre individuellen Persönlichkeitsmerkmale darstellten, um Vorhersagen über sie zu treffen.

Aus einer anderen Perspektive können wir uns nur auf Aktivitäten konzentrieren, die vor Kurzem stattgefunden haben. Dies hilft uns wirklich dabei, die Daten auf dem neuesten Stand zu halten und den negativen Auswirkungen alter Daten auf die Bewertung entgegenzuwirken. Aber was machen wir, wenn eine Figur in letzter Zeit nichts getan hat? Wir beurteilen ihn immer noch nach seinem bisherigen Verhalten. Und wir werden dennoch einige seiner jüngsten historischen Aktivitätsdaten aufbewahren, da sich einige scheinbar einmalige Verhaltensweisen aus der Vergangenheit zu einem signifikanten Muster entwickeln und zukünftige Entscheidungen beeinflussen können.

Wir können von einem hybriden Ansatz profitieren. Beispielsweise können wir die vergangenen Aktivitäten der Charaktere in diesem Modell mit den jüngsten Aktivitäten kombinieren. Darüber hinaus können wir eine Reihe unterschiedlicher Schnittstellenfenster verwenden, um gerade stattgefundene Aktivitäten unterschiedlich zu behandeln. Dadurch können wir uns an Aktionen erinnern, die vor drei Wochen stattgefunden haben, können Aktionen von gestern jedoch anhand eines anderen Maßstabs messen.

Sie werden feststellen, dass unser Modell im August aufgrund seiner jüngsten Verhaltensmuster davon ausgeht, dass er in diesem Zeitraum abwandern (das Produkt kaufen) wird. Obwohl dies zu erwarten war, hielt seine Loyalität mehrere Monate an. Natürlich geschah sein Verrat auf subtile Weise. Da sich der innere Gefühlszustand von Menschen (ob sie zum Verrat bereit sind) im Laufe der Zeit ändert, muss unser Modell auch wissen, ob bestimmte Menschen im Begriff sind, zu verraten, damit wir den genauen Zeitpunkt für einen Gegenschlag kennen.

Wenn die Punktzahlen auf ihrem Höchststand verharren, bevor sie sich stabilisieren, wird ein weiteres Problem zum Vorschein kommen. Die Verbreitung irreführender Vorhersagen kann dazu führen, dass wir vorübergehend an einigen äußerst loyalen Charakteren zweifeln. Daher müssen wir sicherstellen, dass die Bewertungsfunktion des Modells alle Ergebnisse über den gesamten Zeitraum hinweg berücksichtigt. Wenn wir das Modell erneut trainieren, müssen wir diese falschen Ergebnisse bestrafen und vergleichen, um herauszufinden, welches Modell relativ besser ist.

Um zu beurteilen, ob ein Modell gut funktioniert, betrachten wir einfach die Punktzahl, die wir jedes Mal erhalten, wenn wir eine Person beurteilen (täglich oder wöchentlich), und beobachten, wie gut das Modell ihr Verhalten in der nächsten Woche vorhersagt. Wenn wir zu Beginn einer Woche behaupten, dass eine Figur mit hoher Wahrscheinlichkeit defekt wird, und dies am Donnerstag dieser Woche geschieht, dann ist dies ein ausreichender Beweis dafür, dass unser Modell gut funktioniert und positive und richtige Empfehlungen gibt. Wenn die Figur aber in der vorhergesagten Woche immer noch nicht verrät, sondern erst am Donnerstag der Folgewoche verrät, dann ist die Empfehlung unseres Modells falsch. In diesem Fall müssen wir überlegen, wie wir diesen Charakter in der folgenden Woche bewerten.

Wenn Sie alle oben genannten Tipps befolgen, bieten Ihre Verhaltensbewertungsmodelle wertvolle maschinelle Unterstützung für eine Vielzahl von Geschäftsanforderungen. Zu wissen, was Menschen tun und wann, ist der Schlüssel zu erfolgreichen Prognosen.