Funktioner för prediktiv modell

Den här artikeln introducerar prediktiva modelleringsfunktioner och deras användning i Tableau. Den visar också med ett exempel hur du skapar tabellberäkningar med hjälp av prediktiva modelleringsfunktioner.

Varför använda prediktiva modelleringsfunktioner

Med prediktiva modelleringsfunktioner kan du snabbt generera förutsägelser som kan ändras, visualiseras och exporteras som data med hjälp av tabellberäkningar.

Innan kan du ha behövt integrera Tableau med R och Python för att utföra avancerade statistiska beräkningar och visualisera dem i Tableau. Nu kan du välja mål och prediktorer genom att uppdatera variablerna och visualisera flera modeller med olika kombinationer av prediktorer. Data kan filtreras, aggregeras och transformeras vid alla detaljnivåer där indata och förutsägelser automatiskt omberäknas för att matcha indata i vyn.

Mer Information om prediktiva modelleringsfunktioner i Tableau finns i Så fungerar funktioner för prediktiva modeller i Tableau

Funktioner för prediktiv modellering i Tableau

MODEL_PERCENTILE

SyntaxMODEL_PERCENTILE(
model_specification (optional),
target_expression,
predictor_expression(s))
DefinitionReturnerar sannolikheten (mellan 0 och 1) att det förväntade värdet är mindre än eller lika med den observerade markeringen, definierad av måluttrycket och andra prediktorer. Det här är funktionen för a-posteriori-fördelning, även kallad kumulativ fördelningsfunktion.
Exempel
MODEL_PERCENTILE( SUM([Sales]),COUNT([Orders]))

MODEL_QUANTILE

SyntaxMODEL_QUANTILE(
model_specification (optional),
quantile,
target_expression,
predictor_expression(s))
DefinitionReturnerar ett numeriskt målvärde inom det troliga intervallet, som definieras i måluttrycket och andra prediktorer, i en angiven kvantil. Det här är a-posteriori-kvantilen.
Exempel
MODEL_QUANTILE(0.5, SUM([Sales]), COUNT([Orders]))

Skapa en förutsägelseberäkning

Följ stegen nedan för att läsa hur du skapar en enkel förutsägelseberäkning med hjälp av funktionen MODEL_QUANTILE. För ett mer detaljerat exempel, se Exempel – analysera den förväntade livslängden för kvinnor med funktioner för prediktiv modellering

Steg 1: Skapa en visualisering

  1. I Tableau Desktop ansluter du till den sparade datakällan Urval - Superstore, som ingår i Tableau.
  2. Navigera till ett arbetsblad.
  3. Från Data-fönstret drar du dimensionen Beställningsdatum till hyllan Kolumner.
  4. Öppna snabbmenyn för mätvärdet för att ändra nivå till Månad och År:

  5. Dra Försäljning till hyllan Rader.

Steg 2: Skapa det beräknade fältet

  1. Klicka för att Öppna menyn Analys längst upp och välj sedan Skapa beräknat fält.
  2. Gör följande i beräkningsredigeraren:
    • Namnge beräkningen: Förutsäg försäljningsmedian.
    • Ange följande formel:
      MODEL_QUANTILE(0.5, SUM([Sales]),ATTR(DATETRUNC('month', [Order Date])))

      Kom ihåg: Funktionen MODEL_QUANTILE tar en given kvantil och förutsäger värden baserat på de prediktorer du matar in.

      Vi går igenom det:

      • I det här fallet är kvantilen = 0,5, vilket förutser medianen.
      • Vi vill förutsäga försäljning så måluttrycket är SUM([Försäljning]).
      • Vi vill basera förutsägelsen på tidigare prestanda så vi inkluderar datum som en prediktor, vilket är det sista argumentet i beräkningen.
  3. Klicka på OK när du är klar.

Prognosberäkningen läggs nu till som ett beräknat fält i rutan Data.

Steg 3: Lägg till prognosberäkningen i vyn

  1. Dra prognosberäkningen till hyllan Rader till höger om SUM(Försäljning).
  2. Högerklicka (Ctrl-klicka på Mac) på mätvärdet och välj Dubbel axel.
  3. Justera de två axlarna i ett dubbelaxeldiagram som använder samma skala genom att högerklicka (Ctrl-klicka på Mac) på den sekundära axeln, i det här fallet Förutsäg medianförsäljning och välj Synkronisera axel. Detta justerar skalan på de två axlarna.

Svårare än så är det inte. Se hur du kan utöka en datumaxel och förutsäga framtiden genom att läsa Funktioner för prediktiv modellering i tidsserievisualiseringar.

Regler för förutsägelseberäkningar

  • Du kan inte blanda aggregerade och ej aggregerade argument. Om måluttrycket är ett aggregat så måste prediktorn också vara det.
  • Funktionerna används bäst för att förutsäga värden för enskilda poster, i visualiseringar där varje markering representerar en diskret entitet som en person, en produkt, en försäljning osv.
  • Funktionerna används bäst för att förutsäga värden för aggregerade måluttryck med SUM och COUNT.
  • Funktionerna rekommenderas inte för att förutsäga värden för aggregerade måluttryck med AVG, MEDIAN, MIN eller MAX.
  • Funktionerna ska använda prediktorer som har samma detaljnivå eller högre som visualiseringen.