Waarom is dit belangrijk?
Zorgorganisaties kunnen van tevoren een nog onbekende hoeveelheid schatten, zoals de tijd tot een bewoner extra hulp nodig heeft. In de langdurige zorg ondersteunt dat het tijdig aanvragen van meer zorg voor bewoners van een woonzorgcentrum. Medewerkers en planners baseren in de praktijk roosters en aanvragen dan op die schatting, maar de uitkomst kan toch afwijken door meetfouten of onvolledige gegevens.
Zo werkt het in de praktijk
In de sterrenkunde schatten onderzoekers met regressie de baan van een hemellichaam uit waarnemingen. Gauss en Legendre pasten de kleinste-kwadratenmethode toe op banen rond de zon. Die voorspellende taak hoort ook bij machine learning.
Onderzoekers ontwikkelen nog nieuwe vormen van regressie. Zij werken aan reeksen van metingen in de tijd, ontbrekende gegevens en meetfouten. De econometrie zoekt methoden voor data die niet aan de vaste voorwaarden voldoen.
Dataminers gebruiken CRISP-DM, een open stappenplan voor datamining. De stappen gaan van de vraag naar een model, een toets en ingebruikname. IBM nam die aanpak op in SPSS Modeler en in ASUM-DM voor voorspellende analyse.




