Modellazione Predittiva

Crea modelli e prevedi risultati futuri

La modellazione predittiva utilizza metodi matematici e numerici per predire un evento o risultato. Un approccio matematico utilizza un modello basato su equazioni che descrive il fenomeno considerato. Il modello viene impiegato per prevedere un risultato in un determinato stato o istante temporale futuro in funzione dei cambiamenti degli input. I parametri del modello contribuiscono a spiegare in che modo gli input del modello influenzano il risultato. Tra gli esempi figurano modelli di regressione di serie storiche per la previsione del volume del traffico aereo o la previsione dell’efficienza del carburante basandosi su un modello di regressione lineare tra velocità del motore ed il carico.

L’approccio di modellazione numerica predittiva differisce dall’approccio matematico poiché impiega modelli che non sono facili da spiegare in forma di equazione e che spesso richiedono tecniche di simulazione per creare una previsione. Tale approccio è spesso denominato modellazione predittiva “black box” in quanto la struttura del modello non fornisce una descrizione dei fattori che associano l’input del modello al risultato. Tra gli esempi figurano l’uso di reti neurali per prevedere la provenienza aziendale di un bicchiere di vino, piuttosto che l’impiego di modelli basati sualberi decisionali con bagging per prevedere il rating di credito di un debitore.

La modellazione predittiva viene spesso eseguita utilizzando il fitting di curve e superfici, la regressione di serie storiche o gli approcci di machine learning. A prescindere dall’approccio utilizzato, il processo di creazione di un modello predittivo è uguale agli altri metodi. Le fasi sono:

  1. Pulire i dati rimuovendo gli outlier e trattando i dati mancanti
  2. Identificare un approccio di modellazione predittiva parametrico o non parametrico da utilizzare
  3. Eseguire la pre-elaborazione dei dati in una forma adeguata all’algoritmo di modellazione prescelto
  4. Specificare un sottoinsieme dei dati da utilizzare per addestrare il modello
  5. Addestrare, o stimare, i parametri del modello a partire dall’insieme dei dati di training
  6. Eseguire test della performance del modello o della bontà del fitting per verificare l’adeguatezza del modello
  7. Validare l’accuratezza della modellazione predittiva su dati non impiegati per calibrare il modello
  8. Utilizzare il modello per una previsione se la sua performance è soddisfacente

Per ulteriori informazioni sulla modellazione predittiva, vedere Econometrics Toolbox™Statistics and Machine Learning Toolbox™ e Neural Network Toolbox™.



Riferimenti software

Vedere anche: Modelli GARCH, machine learning, simulazioni Monte Carlo, dati panel, identificazione sistema, cointegrazione, analisi a serie storiche, regressione a serie storiche, analisi predittiva, manutenzione predittiva