什么是预测性分析？

预测性分析是一种数据分析方法，它通过分析当前数据和历史数据，来预测未来可能发生的事件或趋势。预测性分析可利用机器学习、统计建模和数据挖掘等技术来帮助企业识别趋势、行为、将来的结果以及商机。

预测性分析的工作原理是对模型进行训练，然后让模型根据输入的一组变量预测新数据的结果。模型将识别变量之间的关系和模式，然后根据其所接受的训练给出评分。

评分可用作商业智能来评估一系列情况的风险或潜在益处。它会用来确定某件事情发生的概率。

预测性分析既可用于结构化数据，也可用于非结构化数据。数据挖掘是一种在大型数据集中探索模式、趋势和行为的过程，有助于准备来自数据仓库或数据湖等多个数据源的数据以供分析。

供分析的数据准备就绪后，接下来就是创建并测试预测性分析模型的预测性建模过程。模型经过训练和评估后，便可以在今后重复使用，回答有关类似数据的新问题。

常见的预测性建模技术有回归技术、机器学习技术、决策树和神经网络，不过，还有许多其他技术。

回归模型

回归模型通过数学方程来确定变量之间的关系。

线性回归模型返回的是具有无限可能的连续性结果（例如基于已知的每平方米的价格计算出的房地产潜在价值），逻辑回归模型返回的则是可能性有限的结果（例如相应社区内某个房屋的售价将高于还是低于某个价格）。

银行及其他金融机构通常利用回归模型来确定信贷风险或检测信用卡欺诈行为、预测市场趋势以及预测金融服务行业新法规的影响。

决策树

决策树是另一种深受欢迎的预测性分析技术，可标识某个决策如何导致下一个决策。决策树方法可应用于机器学习模型，这种模型可根据一系列有序且分层的问题来确定一系列“如果这样……那么那样……”的条件，进而根据输入的数据得出结果。

这种模型的分叉形式还可以表示每个决策如何导致特定结果，展示某个决策的所有可能结果。

机器学习

机器学习是预测性分析的延续。预测性分析通常由数据科学家或分析师来创建模型，人工智能和深度学习软件（如 IBM 的 Watson）所用的机器学习算法则可以自主学习。这种算法可在处理数据的过程中持续改进和优化，无需不断地重新编程。

改进 AI/ML 应用管理

借助这一系列的网络培训课堂，获取有关如何简化人工智能/机器学习（AI/ML）应用部署和生命周期管理的专家见解， 从而更快地构建、协作和共享 ML 模型与 AI 应用。 

神经网络

神经网络是一种高级分析技术，用于确定通过回归模型和决策树所获信息的准确性。神经网络技术可以识别不同数据之间的非线性相似性，如果了解可能出现的情况范围比了解出现这些可能性的原因更重要，尤其能体现出神经网络的用处。

预测性分析可以通过识别风险或提示有关 IT 基础架构的潜在问题来帮助您提高 IT 绩效。运维团队无需等待错误报告（原因也许是设备故障），而是可以利用预测性分析在环境受到影响之前主动发现并解决问题，这还能为企业节省时间和资金。

您还可以利用预测性分析来确定工作事项的优先级，将精力集中于最重要的事项。创建风险评估，预防安全问题，通过查找网络上是否存在异常来避免计划外停机，以及实时检查正在执行的所有操作以识别潜在漏洞。

自动化工具可作为预测性分析的辅助工具，用于修复已发现的问题或根据预测的结果实施更改。

红帽可提供预测性分析及自动化工具，帮助您深入了解 IT 基础架构并自动进行修复，还提供了解决方案、服务和培训，让您从容地专注于创新和向前迈进。

红帽® 智能分析包含在所有红帽订阅中，是我们的“即服务”型预测性分析工具。将其与红帽 Ansible® 自动化平台结合使用，能通过 Event-Driven Ansible 进行自动修复。您还可以通过浏览器查找（并修复）红帽企业 Linux® 错误，在 console.redhat.com 上查看混合云的整体运行状况。使用红帽智能分析的遥测技术来标记可能导致红帽 OpenShift® 集群处于失败状态的关键问题。