Construyendo tu propia bola de cristal predicción de precios con machine learning
•Descargar como PPTX, PDF•
2 recomendaciones•1,831 vistas
Hoy la información tiene un gran impacto en las decisiones. Conocer el timing en un mercado de compra/venta puede marcar diferencias. Nos situamos en el mercado del videojuego, tenemos millones de registros de información histórica y queremos crear un sistema de análisis predictivo de fluctuaciones de precio. ¿Predecir el futuro?¿Por dónde empezar? Abordamos nuestro caso real : OTOGAMI. Desde la definición del proyecto a la evaluación del resultado. Expondremos nuestras decisiones de producto, de arquitectura, tratamiento de datos, machine learning y todas las preguntas que seamos capaz de atender. No es cosa de magos, y apta para todos los públicos. Esperamos que sea inspiradora, ¡no te la pierdas!
Recomendados
Más contenido relacionado
Destacado
Destacado (20)
Similar a Construyendo tu propia bola de cristal predicción de precios con machine learning
Similar a Construyendo tu propia bola de cristal predicción de precios con machine learning (20)
Más de Rafael Bermúdez Míguez
Más de Rafael Bermúdez Míguez (9)
Último
Último (20)
Construyendo tu propia bola de cristal predicción de precios con machine learning
- 1. @rafbermudez#codemotion_es ● Rafael Bermúdez Míguez ● @rafbermudez ● rafa@rafbermudez.com Construyendo tu propia bola de cristal: predicción de precios con machine learning MADRID · NOV 27-28 · 2015
- 2. @rafbermudez#codemotion_es Bolas de los deseos Métodos de adivinación De qué va esta película • Estadística • Probabilidad • Imaginación • Producto
- 3. @rafbermudez#codemotion_es GRACIAS ETS Asset Management Factory www.ets.es www.otogami.com http://www.runnics.com/
- 4. @rafbermudez#codemotion_es El problema • Qué • Predecir el precio de videojuegos • Cómo • Data science • Por qué • Aportar más valor a los usuarios/tiendas • Abrir nuevas líneas de negocio • Aprovechar los datos históricos
- 5. @rafbermudez#codemotion_es CLASIFICAR pintarenblanco pintarenblanco clusterización EXPLORAR Y PREPARAR DATOS limpieza y filtrado Proceso GENERAR MODELO Y VALIDAR selección de atributos y modelo predictivo
- 7. @rafbermudez#codemotion_es MVP • Modelo predictivo • Ajuste de tendencia • Precio mínimo • Plataformas maduras • PS3 y Xbox360 • Series temporales completas
- 8. @rafbermudez#codemotion_es 1. Explorar y preparar datos
- 9. @rafbermudez#codemotion_es matices Morphing granularidad Simplificar RAW DATA o gaps Rellenar Comparación Generalizar diversas medidas Normalizar temporalidad Truncar Explorar y preparar datos Enemigo 1 Enemigo 3 Enemigo 4 Enemigo 5 Enemigo 6 GOAL Enemigo 2
- 13. @rafbermudez#codemotion_es Matices: Morfología matemática 1. Apertura 1.1.Erosión 1.2.Dilatación 2. Cierre 2.1.Dilatación 2.2.Erosión
- 14. @rafbermudez#codemotion_es Temporalidad: Truncar • Truncar preorders • Truncar cola
- 16. @rafbermudez#codemotion_es Diversas medidas: Normalizar • Escalar serie • serie <- serie/serie[1]
- 17. @rafbermudez#codemotion_es Comparación : Generalizar • Aproximación logarítmica • LogValue: -0.2541175 • error: 0.01328662
- 19. @rafbermudez#codemotion_es Histograma: Valor de aproximación • 358 juegos procesados [-0.25, -0.1] 74% de los datos
- 20. @rafbermudez#codemotion_es Histograma: Error de aproximación • 358 juegos procesados [0.005, 0.015] 77% de los datos
- 21. @rafbermudez#codemotion_es Clusterización • K-means 6 clusters • cluster, size, mean 1 | 38 | -0.03447 2 | 10 | 0.08836 3 | 67 | -0.15630 4 | 106| -0.19520 5 | 82 | -0.24231 6 | 55 | -0.10462
- 22. @rafbermudez#codemotion_es Tendencia por cluster • Rojo: 2, 1 • Verde: 6, 3, 4, 5
- 23. @rafbermudez#codemotion_es 3. Generar modelo y validar
- 24. @rafbermudez#codemotion_es Modelo predictivo • Algoritmo: rpart • Atributos: • referenceprice • year • date_part (mes) • platform • metacritic • pegi • publisher • developer
- 25. @rafbermudez#codemotion_es Probando... • Cluster asignado: 4 • fiabilidad: 56% • Desviación: mínima • Cluster real: 4 • Desviación: mínima
- 26. @rafbermudez#codemotion_es Probando...2 • Cluster asignado: 4 • fiabilidad: 49% • Desviación: razonable • Cluster real: 3 • Desviación: mínima
- 27. @rafbermudez#codemotion_es Probando...3 • Cluster asignado: 5 • fiabilidad: 42% • Desviación: grande • Cluster real: 4 • Desviación: mínima
- 28. @rafbermudez#codemotion_es Probando...4 • Cluster asignado: 1 • fiabilidad: 45% • Desviación: grande • Cluster real: 5 • Desviación: grande
- 29. @rafbermudez#codemotion_es Conclusiones Etapa Posibles mejoras Aproximar 1. Subdividir y aproximar en intervalos Clasificar 1. Detectar y eliminar outliers 2. Afinar clusters ( fisión, fusión) Generar modelo (Fiabilidad media 53%) 1. Añadir atributos 2. Afinar y podar árbol 3. Generación de modelos alternativos
- 30. @rafbermudez#codemotion_es ¡Gracias! ¿Preguntas? ● Rafael Bermúdez Míguez ● @rafbermudez ● rafa@rafbermudez.com Construyendo tu propia bola de cristal: predicción de precios con machine learning MADRID · NOV 27-28 · 2015