# 超越預測 > 原文： [https://machinelearningmastery.com/going-beyond-predictions/](https://machinelearningmastery.com/going-beyond-predictions/) 您使用預測模型進行的預測并不重要，而是使用那些重要的預測。 [Jeremy Howard](https://www.linkedin.com/in/howardjeremy) 是競爭機器學習平臺 [Kaggle](http://www.kaggle.com/) 的總裁兼首席科學家。 2012年，他在 [O'reilly Strata會議](http://strataconf.com/)上發表了他所謂的動力傳動系統方法，用于構建超越預測的“_數據產品_”。 在這篇文章中，您將發現Howard的動力傳動系統方法以及如何使用它來構建系統的開發而不是進行預測。 [](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2014/08/drivetrain-approach.png) 動力傳動系統方法 圖片來自 [O'Reilly](http://radar.oreilly.com/2012/03/drivetrain-approach-data-products.html) ，保留所有權利 ## 激勵方法 在投資和加入公司之前，Jeremy Howard是一位頂級的Kaggle參與者。在像數據科學運動的形成談話中，您可以深入了解霍華德在深入挖掘數據和建立有效模型方面的敏銳能力。 在2012年的Strata演講中，霍華德曾在Kaggle工作了一兩年，并且看過很多比賽和很多競爭數據科學家。你不能不認為他更加全面的方法論是由于他對專注于預測及其準確性的沮喪而產生的。 預測是可訪問的部分，它們是競爭的焦點是有道理的。我看到了他的動力傳動系統方法，因為他放下了手套，并挑戰社區以爭取更多。 ## 動力傳動系統方法 霍華德在Strata 2012上發表了一個35分鐘的演講，名為“ [_從預測建模到優化：下一個前沿_](https://www.youtube.com/watch?v=vYrWTDxoeGg) ”。 <iframe allowfullscreen="" frameborder="0" height="281" src="https://www.youtube.com/embed/vYrWTDxoeGg?feature=oembed" width="500"></iframe> 該方法還在博客文章“ [_設計出色的數據產品：動力傳動系統方法：構建數據產品的四步流程_](http://radar.oreilly.com/2012/03/drivetrain-approach-data-products.html) ”中進行了描述，該工藝也可作為[使用]獨立的免費電子書](http://shop.oreilly.com/product/0636920026082.do)（完全相同的內容，我可以告訴）。 在演講中，他介紹了他的動力傳動系統方法的四個步驟： 1. **定義目標**：我想要實現什么結果？ 2. **杠桿**：我們可以控制哪些輸入？ 3. **數據**：我們可以收集哪些數據？ 4. **模型**：杠桿如何影響目標？ 他描述了收集數據，因為他真正指的是對因果關系數據的需求，大多數組織都沒有收集這些數據。必須通過執行大量隨機實驗來收集此數據。 這是關鍵。它超越了測試新頁面標題的粉狀A / B，它涉及對無偏行為的評估，例如對隨機選擇的建議的響應。 建模的第四步是包含以下子流程的管道： * **目標**：我想要達到什么樣的結果。 * **原始數據**：無偏見的因果數據 * **建模器**：數據中因果關系的統計模型。 * **模擬器**：插入臨時輸入（移動控制桿）并評估對目標的影響的能力。 * **優化器**：使用模擬器搜索輸入（離開值）以最大化（或最小化）所需結果。 * **切實可行的結果**：用結果實現目標 ## 實例探究 這種方法有點抽象，需要用一些例子來澄清。 在演示中，霍華德以谷歌搜索為例： * **目標**：您想閱讀哪個網站？ * **杠桿**：您可以在 [SERP](http://en.wikipedia.org/wiki/Search_engine_results_page) 上訪問的網站的排序。 * **數據**：頁面之間的鏈接網絡。 * **模型**：未討論，但人們會假設正在進行的實驗和頁面權限指標的改進。 擴展此示例，Google很可能通過注入其他結果并了解用戶的行為來在SERP中執行隨機體驗。這將允許基于點擊的可能性，用戶點擊的模擬以及針對給定用戶的SERP中的最可點擊條目的優化來構建預測模型。現在，我希望谷歌的廣告可以使用像這樣的方法，這可能是一個更清晰的例子。 霍華德還將營銷作為建議的改進領域。他評論說，目標是CLTV的最大化。杠桿包括產品，優惠，折扣和客戶服務電話的推薦。可以作為原始數據收集的因果關系將是概率或購買以及喜歡產品的概率，但不了解產品。 他還給出了最佳決策小組之前啟動的例子，以最大化保險利潤。他還將谷歌自動駕駛汽車作為另一個例子，而不是像現在的GPS顯示那樣進行粉狀路線搜索。 我覺得有更多機會詳細闡述這些想法。我認為，如果通過一步一步的例子以更清晰的方式介紹方法，那么對這些想法的反應就會更大。 ## 摘要 超越預測的概念需要經常重復。很容易陷入一個特定的問題。我們討論了很多關于預先定義問題的嘗試，以減少這種影響。 霍華德的動力傳動系統方法是一種工具，您可以使用它來設計一個系統來解決使用機器學習的復雜問題，而不是使用機器學習來進行預測并將其稱為一天。 這些想法與[響應面法（RSM）](http://machinelearningmastery.com/clever-application-of-a-predictive-model/ "Clever Application Of A Predictive Model")有很多重疊。雖然沒有明確說明，但Irfan Ahmad在他的[預測模型分類](http://blog.kaggle.com/2012/03/05/irfans-taxonomy-of-predictive-modelling/)中同時暗示了相關帖子中的鏈接，需要澄清霍華德的一些術語。