Esempi di Applicazioni dei Vicini più Vicini (K-Nearest-Neighbors)
Applicazioni dei Vicini più Vicini (K-Nearest-Neighbors)
Perché l’algoritmo semplice è più pratico di quanto pensi
Il mio primo algoritmo di machine learning è stato un modello K-nearest-neighbors (KNN). Ha senso per i principianti: intuitivo, facile da capire e puoi persino implementarlo senza utilizzare pacchetti dedicati.
Perché ha senso per i principianti, ha anche molto senso spiegarlo a chiunque non sia familiare con il machine learning. Non posso descrivere a parole quanto sia più facile convincere un gruppo di persone scettiche ad adottare l’approccio KNN rispetto a una foresta casuale in una scatola nera.
È un eroe silenzioso degli approcci di modellazione e serve come un ottimo benchmark prima di passare a algoritmi più complessi e, per molti casi d’uso, potresti scoprire che il tempo e il costo di algoritmi più complessi non ne valgono la pena.
Per dare un po’ di ispirazione alla tua modellazione, ecco tre esempi di applicazioni di KNN in cui potresti ottenere risultati molto migliori di quanto pensi in uno scenario reale.
- Guida del Data Analyst alla Pulizia dei Dati
- Dai un’occhiata al nostro esclusivo foglio di riferimento su Docker!
- OpenAI lancerà Dall E-3 il generatore di immagini AI di prossima generazione!
Modellazione del Mix di Marketing (MMM)
Lavoro nel campo del marketing e il mio lavoro con i sistemi MMM coinvolge tipicamente l’identificazione dei canali di marketing che miglioreranno le prestazioni delle campagne e/o aumenteranno la portata della campagna per raggiungere più persone. A livello generale, questo è noto come modellazione del mix di marketing (o media).
Lo scopo di qualsiasi tipo di modellazione con MMM è capire l’efficacia di ogni input di marketing sia in isolamento che in combinazione con gli altri, e quindi ottimizzare il mix di marketing per massimizzarne l’efficacia.
L’approccio più basilare consiste nel prevedere l’impatto di diverse strategie di marketing basate sui dati storici. Un modello KNN considererebbe ogni strategia di marketing come un punto in uno spazio multidimensionale, in cui le dimensioni potrebbero essere vari input di marketing come la spesa pubblicitaria, le attività promozionali, la strategia di pricing, e così via.
Quando viene proposta una nuova strategia di marketing o una strategia esistente deve essere ottimizzata, il modello può prevedere i risultati della strategia guardando i ‘k’ punti storici più simili, cioè i ‘k’ vicini più prossimi nello spazio multidimensionale.
