猜测阐发是一种使用当前数据和汗青数据来猜测运动、行动和趋向的高档阐发情势。它涉及将统计阐发技术、数据查询和机械进修算法利用于数据集。猜测阐发还涉及创立猜测模子，以对特定操作或变乱产生的可能性设置数值或评分。
猜测阐发探求数据模式并猜测将来趋向，以赞助企业削减风险并捉住机遇。
当然，要想实现“猜测”的功效，我们必要使用一些算法来构建模子。模子可以赞助您相识抱负客户、进程或成果的特性和交互作用。
依据网络的数据，模子可以猜测潜在客户是否有可能成为客户，进程是否会发生预期成果或者可能发生什么成果。
在Minitab 21版本的“猜测阐发“模块中提供丰硕的年夜数据建模算法。
猜测建模-分类问题
Minitab中提供了多种机械进修的算法，我们本日主要办理的是监视进修(有Y)中的分类问题(Y是种别变量，可所以二分类也可所以多分类)。
什么是分类问题。举个例子，给你一张动物照片你能区分是猫照样狗吗。这便是一个简单的分类问题(二分类)。
我信任绝年夜多半同伙应该很容易就能区分图片中是猫照样狗，怎么做到这一点，实在是由于我们脑子里不自发的就构建了一个区分猫和狗的模子。
当然，构建这个模子的症结是我们网络了足够多的动物特性数据。
看到这些数据，问题的经典办理计划许多同伙应该能想到-逻辑回归。
对付年夜数据建模，传统回归可以测验考试，但必要面对许多的挑战。
有没有新方法呢。实在40 多年前，一群杰出的统计学家（数据科学家）尽力办理这个问题，并成为CART、MARS、随机丛林和TreeNet 等新型机械进修算法背后的原始架构师。
好比此中的CART办法，其思惟简单来说便是：提出问题，分而治之。
然后经由过程算法计算(本文不涉及到计算公式)获得CART树(以下为其一个分支)。
这是区分猫和狗，同样的事理，在我们事情中是不是也可以经由过程相似的计划区分什么时刻容易呈现产物不良，什么时刻装备容易呈现故障等问题呢。下面我们就经由过程一个详细的案例来先容一下分类问题的利用。
分类案例-预防机械故障
下面这个“年夜电扇“许多同伙应该见过，这家伙输送、组装都比拟费劲(我猜的)，那假如运转一段后出故障了又会若何呢。假如能找到一些导致故障频率高的非常模式，或者说能猜测什么环境下呈现故障的概率比拟高，而在呈现故障之前做一些预防性的步伐是不是就能年夜年夜削减维护本钱呢。
为了到达猜测的目标，网络了一段光阴内的数据（此数据做了简化处置）。4个猜测变量：空气温度、进程温度、转速和扭矩；一个二分类的相应变量：0-正常，1-失败
Minitab操作
起首，我们可以先看一下天生的整棵CART树范型。
我们再来看看树的细节，来发现一些非常的模式。
CART树结论
为了进步模子精度，我们可以测验考试把多棵放到一路来做决议计划，构建“随机丛林”。
当就像前面所说，算法有许多，对付使用者若何去选择呢。
很简单，全体来一遍，好比说用Minitab猜测阐发模块中“主动化机械进修”。
执行了“主动化机械进修”后，实在我们看到“TreeNet”模子是最佳的。这个模子输出成果中有一个很好用的功效：摸索非线性关系。好比说“扭矩”这个变量，从输出的“单变量部门依附图”中年夜家有没有看到中央有一段平展、底的区域，这个区域的前后两个拐点对付我们做决议计划异常有效。
小结
相比于传一切计对象，年夜数据建模功效有3个亮点功效。
