• 🏡 Home
  • 🚨 GDPR Compliant
  • ⚡️ Data Science
  • 📌 Machine Learning
  • 🔒 Privacy Preserving
  • 🏡 Home
  • 🚨 GDPR Compliant
  • ⚡️ Data Science
  • 📌 Machine Learning
  • 🔒 Privacy Preserving
Data Science, machine-learning

Data Modelling e Model Evaluation | Data Science Methodology

Data Modelling e Model Evaluation | Data Science Methodology

A questo punto della data sciecne methodology: data modelling e data evaluation.

La Data Science Methodology è una metodologia, cioé un sistema di metodi che, usati in una particolare area di studi, permettono di organizzare ordinatamente i task da completare per raggiungere uno specifico obiettivo.

Il nostro percorso è iniziato con il Business Understarning e l’Analytic Approach, seguito dal Data Requirments e Data Collection, e dalla definizione del Data Understaning e Data Preparation.

Ora vediamo in cosa consiste la fase di data modelling e di model evaluation

Data Modelling

La fase di Data Modelling è incentrata sullo sviluppo di un modello che può essere:

  • descrittivo
  • predittivo

La scelta dipende dall’aproccio analitico scelto: statistical driven o machine learning driven.

Model Evaluation

E’ arrivato il momento di valutare l’utilità del modello: è in grado di rispondere alle domande inzialmente poste?

Siamo stati in grado di risolvere il problema? O forse è necessario correggere il modello?

Generalmente la Model Evaluation è divisa in due sotto-fasi:

  • diagnostic measures
  • statistical significance testing

Nella prima dobbiamo assicurarci che il modello stia funzionando come previsto. Qualora si trattasse in un prescriptive model è necessario valutare che le previsioni siano coerenti, e nel caso in quale misura, con i dati raccolti.

Invece per un descriptive model è necessario applicare un testing set con rislutati conosciuti.

Nella seconda, controlliamo che i dati sono stati propriamente gestiti dal modello e interpretati a dovere.

Più in generale la fase di Model Evaluation esprime quanto bene il nostro modello abbia imparato dai dati fornitogli.

Per finezza, distinguiamo due tipologie di model evaluation:

  • In-sample evaluation, per determinare le performance sul dataset di training.
  • Out-of-sample evaluation, per approssimare le performance del modello nel mondo reale

Ho sviluppato un post, per approfondire in modo tecnico il model evaluation.

La fase successiva?

5 – Model Deployment e Feedback

Un caldo abbraccio, Andrea.

Written by Andrea Provino - Settembre 18, 2019
Next Post
Previous Post

Una pubblicità che non vedi se usi AdBlock

EXPAND YOUR KNOWLEDGE

  • machine-learning

    Un nuovo inizio

    Settembre 4, 2021
  • Zero Knwoledge Proof Article Privacy Preserving

    Zero Knowledge Proof: zk-SNARK e zk-STARK | Prova a conoscenza zero

    Luglio 8, 2021
  • oblivious-transfer-spiegazione-italiano-ot-explanation Privacy Preserving

    Oblivious Transfer (OT)

    Luglio 6, 2021
  • Aleo Studio Website Preview machine-learning

    Aleo Studio: un IDE per Zero-Knowledge Proofs Applications

    Luglio 1, 2021
  • privacy-enhancing-technologies-data-machine-learning-data-science Privacy Preserving

    Perché il Privacy Tech è un vantaggio competitivo micidiale

    Giugno 17, 2021
  • bloom-filter-spiegazione-italian Privacy Preserving

    Bloom Filter

    Giugno 3, 2021
  • trusted-execution-environment-tee-data-science-come-fuziona Data Science, Privacy Preserving

    Trusted Execution Environment | Cos’è un TEE?

    Giugno 2, 2021
  • Crypto Custody services machine-learning

    Crypto Custody: Guida alla custodia delle criptomonete

    Maggio 26, 2021
  • deep-q-learning-q-learning-reinforcement-learning machine-learning

    Deep Q-Learning

    Aprile 27, 2021
  • storytelling-data-science-presentations-power-point-ideas-idee-power-point-guida-italiano Data Science

    Storytelling efficace: l’unico concetto che ti serve per diventare master

    Aprile 6, 2021

Quello che Google pensa ti possa piacere

Prodotti che i Cookie dicono potresti trovare interessanti

AI Blog - © 2019-2021 Andrea Provino