Predictive Modeling

La modellazione predittiva è il processo di costruzione di un modello statistico o di apprendimento automatico a partire da dati storici per stimare un risultato ignoto o non ancora verificatosi, per esempio se un cliente annullerà un servizio, quanto venderà un negozio la prossima settimana o se una scansione indica una malattia. Il modello apprende come le caratteristiche di input sono correlate a un risultato noto negli esempi passati, una forma di apprendimento supervisionato, poi applica tale relazione a nuovi casi, spesso restituendo una probabilità o un intervallo insieme alla predizione. L'analisi predittiva è la pratica aziendale che applica questi modelli alle decisioni in ambito marketing, finanza, operazioni e sanità; si colloca tra l'analisi descrittiva, che riassume ciò che è accaduto, e quella prescrittiva, che consiglia cosa fare.

Il flusso di lavoro della modellazione predittiva#

Un progetto inizia definendo l'obiettivo e la decisione che deve orientare, poi raccoglie esempi storici i cui input erano noti nel momento in cui la predizione sarebbe stata formulata. L'ingegneria delle caratteristiche trasforma i dati grezzi in input per il modello, e i dati vengono suddivisi in insiemi di addestramento, convalida e test. Nei problemi di previsione, la suddivisione avviene in base al tempo, così il modello viene sempre valutato su periodi successivi a quelli usati per l'apprendimento; una suddivisione casuale in questo caso, o qualsiasi caratteristica che codifichi la risposta, provoca una fuga di dati e punteggi gonfiati. I modelli candidati vengono confrontati con una semplice baseline su dati tenuti da parte e, dopo la distribuzione, il modello viene monitorato per rilevare la deriva dei dati, perché le relazioni apprese si indeboliscono man mano che il mondo cambia.

La valutazione utilizza metriche adatte alla decisione: precisione, richiamo e area sotto la curva ROC per i classificatori; errore assoluto medio (MAE) o radice dell'errore quadratico medio per le predizioni numeriche. La convalida incrociata stima le prestazioni su piccoli dataset calcolando la media di diverse suddivisioni tra addestramento e test. Questo esempio usa scikit-learn per predire l'evoluzione del diabete un anno dopo le misurazioni iniziali di un paziente, confrontando due modelli con una baseline che predice sempre la media:

from sklearn.datasets import load_diabetes
from sklearn.dummy import DummyRegressor
from sklearn.ensemble import HistGradientBoostingRegressor
from sklearn.linear_model import Ridge
from sklearn.model_selection import cross_val_score

# 442 patients: 10 baseline measurements and disease progression one year later
X, y = load_diabetes(return_X_y=True)

models = {
    "Baseline (always predict the mean)": DummyRegressor(),
    "Ridge regression": Ridge(alpha=0.1),
    "Gradient-boosted trees": HistGradientBoostingRegressor(max_depth=3, random_state=0),
}
for name, model in models.items():
    # Mean absolute error on held-out folds of 5-fold cross-validation
    scores = cross_val_score(model, X, y, cv=5, scoring="neg_mean_absolute_error")
    print(f"{name}: MAE {-scores.mean():.1f}")

La baseline sbaglia in media di 66,0 punti rispetto al punteggio di evoluzione, la regressione ridge di 44,6 e gli alberi con boosting del gradiente di 46,5; entrambi i modelli riducono quindi l'errore di circa un terzo e, su questi 442 pazienti, il modello lineare più semplice è il più accurato.

Tipi di modelli predittivi#

I modelli predittivi si distinguono in base al risultato che stimano. I modelli di classificazione, come la regressione logistica e gli alberi decisionali, predicono una categoria e, di solito, la relativa probabilità. I modelli di regressione, come la regressione lineare, predicono un numero. I modelli di previsione per le serie temporali predicono i valori futuri di una sequenza a partire dai suoi valori passati, dalla stagionalità e da fattori esterni; i modelli di sopravvivenza predicono il tempo che manca a un evento, come il guasto di una macchina, anche quando l'evento non si è ancora verificato. Per i dati tabellari, gli algoritmi più comuni sono i modelli lineari regolarizzati e gli insiemi di alberi, come le foreste casuali e XGBoost; le reti neurali prevalgono invece su immagini, audio e testo, mentre i modelli fondazionali tabellari predicono su nuove tabelle senza addestrare un modello per ogni dataset.

Modellazione predittiva nella visione artificiale#

I modelli di visione sono modelli predittivi i cui input sono pixel. YOLO26 in modalità predict restituisce, per ogni oggetto individuato in un'immagine, una classe predetta, un punteggio di confidenza e le coordinate del riquadro; i conteggi degli oggetti ricavati da queste predizioni diventano spesso caratteristiche di input per previsioni successive, come il flusso orario di persone per la pianificazione del personale.

Applicazioni#

• Manutenzione predittiva: I modelli addestrati su dati di vibrazione, temperatura e tempo di funzionamento stimano quando si guasterà un componente, così le riparazioni vengono eseguite prima del guasto anziché secondo un calendario fisso.
• Sanità: I modelli di rischio stimano la probabilità di riammissione in ospedale o sepsi dai dati dei pazienti, mentre i modelli di imaging segnalano possibili anomalie perché i radiologi le esaminino per prime.
• Valutazione del rischio di credito e delle frodi: Le banche predicono la probabilità che un debitore non rimborsi un prestito o che una transazione con carta sia fraudolenta, valutando ogni transazione in tempo reale al momento dell'autorizzazione.
• Pianificazione della domanda e delle scorte: I rivenditori prevedono le vendite per negozio e prodotto sulla base di dati storici, prezzi, promozioni e festività per decidere quante scorte ordinare.

Modellazione predittiva e termini correlati#

• Estrazione di dati: Cerca schemi, cluster e associazioni in grandi dataset, con o senza un obiettivo da predire, mentre la modellazione predittiva stima sempre un risultato specifico.
• IA generativa: Modella la distribuzione dei dati stessi per creare nuovo testo, immagini o audio, mentre un modello predittivo mappa un input su un valore obiettivo.
• Inferenza causale: Stima cosa accade quando qualcuno interviene, una domanda a cui un modello predittivo non può rispondere basandosi soltanto sulle correlazioni. Un modello addestrato su cartelle cliniche degli anni '90 relative alla polmonite aveva appreso che i pazienti affetti da asma avevano un rischio di morte inferiore, perché di solito venivano ricoverati direttamente in terapia intensiva; agire in base a quella predizione avrebbe potuto rimandare a casa pazienti ad alto rischio.