Tableau 中預測的工作原理：創建預測

預測是關於預測每個模型的未來價值。 許多數學模型用於預測。 同時，Tableau 也是其中的佼佼者，精準的數據可視化工具主要專注於為商業智能行業生成。 數據預測對於預測至關重要，它基於生成的商業智能而發揮作用。 Tableau 可以與許多數據源一起使用，例如文本、No SQL 數據庫、Excel、SQL 數據庫等。

學習世界頂尖大學的在線數據科學課程。 獲得行政 PG 課程、高級證書課程或碩士課程，以加快您的職業生涯。

指數平滑是 Tableau 中用於預測的技術。 預測算法試圖建立一個可用於未來連續性的規則模式。 您自然會在視圖中添加預測，其中包含由一個度量組成的數據字段。 但是，Tableau 會創建一個預測以查看數據是否存在，該預測由具有整數值的維度和至少一個度量組成。

預測算法

生成的真實世界數據需要更簡單的算法才能產生更好的結果並且易於使用，Tableau 中的所有預測算法都可以使用這一點。 為了生成高質量的預測，模型生成的模式和現實世界的數據預測都應該合理匹配。 這裡使用質量指標來衡量這種匹配。 如果質量低，則不考慮質量帶置信帶和質量分數，因為測試估計不准確。

在 Tableau 中進行預測，Tableau 反複選擇頂部，最多 8 個模型； 首先選擇最高質量的預測。 在 Tableau 評估預測質量之前，會優化每個模型的平滑參數。

優化方法是通用的並且在每個模型中都使用，使得無法選擇不是全局最優的局部最優平滑參數。 但是，主要值參數是根據最佳實踐選擇的，並未進行優化。 因此，初始值參數有可能不是最優的。

當可視化數據存在限制時，Tableau 會自動嘗試以更好的基於時間的粒度進行預測，然後將預測與可視化的粒度相加。 Tableau 提供了可以根據封閉式方程計算的預測組。 每個具有乘法分量或具有組合數據預測的模型都包含模擬波段，其中每個模型都基於封閉式方程。

指數平滑和趨勢

指數平滑模型用於使用已知序列中過去值的有偏平均值來預測一致時間序列值中的未來值。 一種適度的模型是簡單指數平滑； 在這裡，計算基於加權平均值和最後一個實際值的平滑值。 這種方法是指數的，因為最近的值被賦予了更多的權重，並且每個值都基於之前的每個實際值。

當測量值在有效值上顯示一段時間內的趨勢或季節性時，季節性成分是有效的。 趨勢是數據在給定時間段內增加或減少的屬性。 季節性是價值搜索中反復出現的預期變化，例如降雨量波動或山洪暴發。

一般來說，當在一段時間內有大量數據可用時，可以產生更好的數據預測。 由於模型的複雜性，在對季節性進行建模時，擁有足夠的數據是最重要的，只有通過更多可用的數據證明才能實現更高的精度。 由於限制，無法從 2 個或更多數據值生成預測。

季節性

估計 Tableau 試驗中針對季節性週期的數據預測，通常使用時間序列中的時間聚合長度。 如果按月匯總，Tableau 將檢查 12 個月的周期； 如果按季度匯總，則搜索四季度週期，如果按天匯總，則搜索每周季節性。 如果您考慮每月時間序列中的六個月週期，Tableau 將搜索包含兩個類似子模式的年份模式。 如果考慮每月時間序列中的七個月週期，Tableau 將根本不搜索週期，因為它們不常見。

由於每個選項都是自動選擇的，因此 Tableau 會從給定數據派生可能的季節長度，因此“預測選項”對話框“模型類型”菜單中的默認“自動”模型類型不會更改。 選擇“自動無季節性”通過預測所有季節長度來幫助性能，正在探索和評估季節性模型。

模型類型

在Tableau 中的預測中，當您選擇“預測選項”對話框時，會為您提供用於數據的模型類型。 這裡提供了默認的自動設置，這對於數據的主要視圖是最佳的。 在自定義下，您需要在無、加法或乘法類型中指定趨勢和季節特徵。

資源

在加法模型中，模型組件的每個貢獻被相加，而在乘法模型中，最小組件貢獻被相乘。 乘法模型傾向於從數據的價值顯著提高預測質量，趨勢或季節性基於數據的大小。 由於乘法模型中涉及乘法，因此沒有一個值需要為零或趨於零。

粒度和修整

要創建數據預測，時間維度選擇對於在給定時間參考中查看和預測至關重要。 Tableau 日期提供了一系列時間單位，包括日、月、季度和年。 粒度是為日期選擇的單位。

通常，數據不會與粒度單位精確對齊。 例如，如果您將數據設置為季度的值，實際數據可能會在季度之前停止。 模型會考慮在將模型預測為整個季度時進一步產生問題，該值通常低於整個季度的值。

如果允許數據預測模型選擇數據，那麼後續的預測就會不准確。 修剪數據是解決方案之一。 使用“數據預測選項”對話框中提供的“忽略最後一個”選項可以忽略使預測脫軌的跟踪週期。 默認選項是修剪/完成一個時期。

另請閱讀：您必須了解的 16 個 Python 頂級數據科學項目

結論

基於時間的數據值有自己的規則和含義。 使用正確的數據量對於更好地預測和估計未來業務適應性至關重要。 Tableau中的預測非常可行，可以連接到任何軟件，並用於根據數據價值獲得未來豐富的數據預測。 Tableau中的預測會自動嘗試預測趨勢； 閱讀本文後，您應該清楚“自動”的用法並不適合所有數據值。

學習 Tableau 對於渴望學習並在數據科學和可視化領域從事職業的個人來說至關重要。 了解概念和使用工具對於初學者來說相當棘手，而行業專家的學習提供了正確的開始。

如果您想了解數據科學，請查看 IIIT-B 和 upGrad 的數據科學執行 PG 計劃，該計劃是為在職專業人士創建的，提供 10 多個案例研究和項目、實用的實踐研討會、行業專家的指導、1與行業導師一對一，400 多個小時的學習和頂級公司的工作協助。