概述
预测性分析是一种分析方法，它通过分析当前数据和历史数据，从而对未来的事件做出预测。预测性分析会运用诸如机器学习、统计建模和数据挖掘等分析技术来帮助企业识别趋势、行为、未来结果和商机。
预测性分析技术
预测性分析的工作原理是：先根据一组输入变量进行建模，再训练模型来对未来数据进行预测。随后，该模型会识别变量之间的关系和模式，并根据训练数据提供一个分值。
该分值可用作商业智能，以评估一组条件的风险或潜在收益。它将被用来确定某些事件发生的可能性。
预测性分析既可应用于结构化数据，也可应用于非结构化数据。数据挖掘是指发现大型数据集的模式、趋势和行为的过程，它可以帮助您从多个源（如数据仓库或数据湖）准备好分析用的数据。
一旦分析用的数据准备就绪，即可执行预测建模，也就是创建和测试预测性分析模型的过程。完成建模和评估后，就可以在将来重用此模型来应对有关类似数据的新情况。
常见的预测建模技术包括回归技术、机器学习技术、决策树和神经网络，但实际还远不止这些。
回归模型
回归模型使用数学方程式来确定变量之间的关系。
线性回归模型将返回具有无限可能性的连续结果（例如利用已知的每平方英尺成本来计算潜在的房地产价值），而逻辑回归模型则返回有限数量的可能性（例如邻近区域中特定房屋的售价是高于还是低于某个值）。
回归模型通常被银行和其他金融机构用来确定信用风险或检测信用卡欺诈、预测市场趋势及新金融服务规定所带来的影响。
决策树
决策树是另一种常用的预测性分析技术，它可以识别一个决策将如何引发下一个决策。决策树方法可应用于机器学习模型，后者将基于若干连续且层层推进的问题来确定一系列"由此及彼"的条件，从而根据输入数据来得到结果。
该模型的分支形式还可以通过反映每个决策将如何带来特定的结果，以此显示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。预测性分析通常要依赖于数据科学家或分析师来建模，但机器学习算法（用在人工智能和 IBM Watson 等深度学习软件中）却是自学习的。在处理数据时，它们可以不断改进和发展，而无需不断进行重新编程。
改进 AI/ML 应用管理
借助这一系列的网络研讨会，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，可用于确定从回归模型和决策树中获得的信息的准确性。神经网络可以识别不同数据之间的非线性相似性。如果了解出现某种可能性的范围比了解出现这种可能性的原因更为重要，在这种情况下神经网络尤为有用。
为什么选择红帽？
红帽可为您提供预测性分析和自动化工具，帮助您获取有关 IT 基础架构的洞见并实现自动化修复，同时，我们还为您提供相应的解决方案、服务和培训，鼎力支持您的创新和发展大计。
红帽® 智能分析将预测性分析与规范性分析融合在一起，用于跨物理环境、虚拟环境、容器、私有云和公共云环境提供分步修复指导。通过在整个红帽基础架构中主动识别风险并加以补救，您的企业可以把问题扑灭在萌芽阶段，从而节省时间和成本。
通过实时了解混合环境，您可以及时发现潜在问题，并获得补救办法，在问题真正出现之前加以修复。利用红帽® Ansible® 自动化平台 Playbook 和智能分析，您还可以实现实时自动修复。
