建模杂谈系列4-预测模型分类

说明

预测模型的价值不用赘复，本篇探讨预测模型的类型以及其作用机制。
预测模型大致可以分为三类：

• 1 高维模型
• 2 时间约束模型
• 3 空间约束模型

以下就这三类预测模型进行简单的探讨。

内容

1 高维模型(HDPM,High Dimension Prediction Model)

常见的逻辑回归、决策树、XGBOOST都可以归于此类模型。此类模型的特点是不考虑时间和空间的变化。
此类模型的本质是Lookalike分析，寻找样本之间固有的属性特质，从而预测样本发生事件的概率。
如果用于精准营销，那么就是找到购买特质相似的客户，从而获得更高的营销概率；如果用于风险控制，那么就是找到风险特质相似的用于，发现更容易违约的客户。

与人比较， HDPM的优势是高维空间（人只能在低维空间有效决策）与量化（人习惯于定性分析）

2 时间约束模型（TCPM, Time-Constraint Prediction Model）

最常见的是时间序列模型，例如ARIMA，LSTM，HMM这些。此类模型考虑的是维度随时间变化的趋势。
此类模型的本质是趋势（或者说惯性）分析，寻找样本自身发展的方向，从而做出预测。这种模型本身的动力来自于主观，发自内部。
时间约束模型通常可以进行类似价格预测，销量预测，购买习惯分析等，但坦白来说，一旦涉及到时间的问题，通常就会变得比较难。

目前并没有很好（成熟）的时间模型框架。

3 空间约束模型(SCPM, Space-Constraint Prediction Model)

最常见的空间约束有图像识别模型（CNN算半个吧），图模型等。此类模型考虑的是维度随空间约束变化的趋势。
此类的模型本质是互动（力的作用是相互的）、势（人往高处走，水往低处流）的分析。这种模型的动力来自于客观，发自外部。

目前并没有很好（成熟）的空间模型框架。

结语

建模的复杂之处在于：决定事物未来发展结果的原因是有多样的，既有事物的当前状态（HDPM), 也有事物本身的惯性（TCPM), 还要考虑当前的外部形势（SCPM)。这个难度是乘数效应估计的。
即便是短期内主要由某个方面决定，你也需要准备三套模型。并且如果考虑了博弈情况，预测问题将指数倍的难。