Tableauでの予測の仕組み：予測の作成

予測とは、各モデルの将来価値を予測することです。 予測には多くの数学的モデルが使用されます。 同時に、Tableauはコマンドの1つであり、ビジネスインテリジェンス業界向けの生成に主に焦点を当てた正確なデータ視覚化ツールです。 データ予測は予測に不可欠であり、生成されたビジネスインテリジェンスに基づいて機能します。 Tableauは、テキスト、SQLデータベースなし、Excel、SQLデータベースなどの多くのデータソースで使用できます。

世界のトップ大学からオンラインデータサイエンスコースを学びましょう。 エグゼクティブPGプログラム、高度な証明書プログラム、または修士プログラムを取得して、キャリアを早急に進めましょう。

指数平滑法は、 Tableauでの予測に使用される手法です。 予測アルゴリズムは、将来の継続性に採用できる規則的なパターンを確立しようとします。 1つのメジャーで構成されるデータフィールドを含む予測をビューに自然に追加します。 ただし、Tableauは、データが存在しないかどうかを表示するための予測を作成します。これは、整数値と少なくとも1つのメジャーを持つディメンションで構成されます。

予測アルゴリズム

生成された実際のデータには、より良い結果を生成するためのより単純なアルゴリズムが必要であり、使いやすく、Tableauのすべての予測アルゴリズムで使用できます。 高品質の予測を生成するには、モデルによって生成されたパターンと実際のデータ予測の両方が合理的に一致する必要があります。 ここでは、品質メトリックを使用してこの一致を測定します。 品質が低い場合、テストの見積もりが不正確であるため、品質バンドの信頼区間と品質スコアは考慮されません。

Tableauでの予測では、Tableauは最大8つのモデルを繰り返し選択します。 最高品質の予測が最初に選択されます。 Tableauが予測品質を評価する前に、各モデルの平滑化パラメーターが最適化されます。

最適化手法は一般的であり、各モデルで使用されているため、グローバルに最適ではないローカルに最適な平滑化パラメーターを選択することはできません。 ただし、プライマリ値パラメータはベストプラクティスに基づいて選択され、最適化されていません。 そのため、初期値パラメータが最適でない可能性があります。

視覚化するデータに制限がある場合、Tableauは自動的に時間ベースの粒度で予測を試み、予測を視覚化の粒度に合計します。 Tableauは、閉じた形式の方程式から計算できる予測グループを提供します。 乗法成分または結合されたデータ予測を持つすべてのモデルには、シミュレートされたバンドが含まれ、すべてのモデルは閉形式の方程式に基づいています。

指数平滑法とトレンド

指数平滑化モデルは、既知の系列の過去の値のバイアスされた平均値を使用して、一貫した時系列の値の将来の値を予測するために使用されます。 控えめなモデルの1つは、単純な指数平滑法です。 ここでは、加重平均値と最後の実際の値からの平滑化された値に基づいて計算が行われます。 この方法は指数関数的です。これは、最近の値に重みが付けられ、各値が先行するすべての実際の値に基づいているためです。

季節成分は、測定値が運用値の期間にわたる傾向または季節性を示す場合に運用されます。 傾向は、特定の期間に増加または減少するデータのプロパティです。 季節性とは、降雨量の変動や鉄砲水の発生など、値の検索で予想される繰り返しの変動です。

一般に、期間中に大量のデータが利用できる場合は、より適切なデータ予測を行うことができます。 モデルが複雑であるため、季節性をモデル化する際には、十分なデータを用意することが最も重要です。より高い精度は、利用可能なデータの証拠が多い場合にのみ達成できます。 制限により、2つ以上のデータ値から予測を生成することはできません。

季節性

時系列間の時間集計の長さを使用して、季節サイクルのTableauトライアルのデータ予測を推定します。 月ごとに集計すると、Tableauは12か月のサイクルをチェックします。 四半期ごとに集計した場合は4四半期サイクルが検索され、日ごとに集計した場合は週ごとの季節性が検索されます。 月次時系列で6か月のサイクルを検討する場合、Tableauは2つの同様のサブパターンを含む年パターンを検索します。 月次時系列の7か月サイクルを考慮すると、Tableauはまれであるため、サイクルをまったく検索しません。

すべての選択は自動で選択されるため、Tableauは指定されたデータから可能なシーズンの長さを導き出します。そのため、[予測オプション]ダイアログの[モデルタイプ]メニューのデフォルトの[自動]モデルタイプは変更されません。 「季節性のない自動」を選択すると、すべての季節の長さが季節モデルを調査および評価することを予測することにより、パフォーマンスが向上します。

モデルタイプ

TableauのForecastingで、 Forecast Optionsダイアログボックスを選択すると、データに使用されるモデルタイプが提供されます。 ここでは、デフォルトの自動設定が提供されており、これはデータのプライマリビューに最適です。 [カスタム]で、[なし]、[加法]、または[乗法]タイプの中で、傾向と季節の特性を指定する必要があります。

ソース

加法モデルでは、モデルコンポーネントの各寄与が加算されますが、乗法モデルでは、最小コンポーネントの寄与が乗算されます。 乗法モデルは、データの値から予測品質を大幅に向上させる傾向があり、傾向または季節性はデータの大きさに基づいています。 乗算は乗法モデルに含まれるため、値がゼロである必要はなく、ゼロになる傾向があります。

粒度とトリミング

データの予測を作成するには、指定された時間参照を確認して予測するために、時間ディメンションの選択が不可欠です。 Tableauの日付は、日、月、四半期、年など、さまざまな時間単位を提供します。 粒度は、日付に選択された単位です。

通常、データは粒度の単位と正確に一致しません。 たとえば、四半期の値でデータを設定した場合、実際のデータは四半期の前に停止する可能性があります。 モデルを四半期全体として予測しながらさらに問題を作成することは、モデルによって考慮されます。これは通常、四半期全体よりも低い値です。

データ予測モデルにデータの選択を許可すると、その後の予測は不正確になります。 データのトリミングは解決策の1つです。 [データ予測オプション]ダイアログボックスにある[最後を無視]オプションを使用すると、予測を狂わせる後続期間が無視されます。 デフォルトのオプションは、1つの期間をトリミング/完了することです。

また読む：あなたが知っておくべきPythonの16のトップデータサイエンスプロジェクト

結論

時間ベースのデータ値には、独自のルールと影響があります。 適切な量​​のデータを使用することは、将来のビジネス適応性に必要なより良い予測と見積もりの​​ために不可欠です。 Tableauでの予測は非常に実行可能であるため、任意のソフトウェアに接続して、データ値に基づいて未来的で豊富なデータ予測を取得するために使用できます。 Tableauでの予測は、自動的に傾向を予測しようとします。 この記事を読んだ後、「自動」の使用法がすべてのデータ値に適合するわけではないことを明確にする必要があります。

Tableauの学習は、データサイエンスと視覚化の分野で学び、キャリアを積むことを目指す個人にとって不可欠です。 概念を理解してツールを使用することは、初心者にとっては非常に難しいことですが、業界の専門家の学習は正しいスタートを提供します。

データサイエンスについて知りたい場合は、IIIT-B＆upGradのデータサイエンスのエグゼクティブPGプログラムをチェックしてください。これは、働く専門家向けに作成され、10以上のケーススタディとプロジェクト、実践的なハンズオンワークショップ、業界の専門家とのメンターシップを提供します。1業界のメンターとの1対1、400時間以上の学習、トップ企業との仕事の支援。