在 JMP® 中探索變量聚類和重要性在 JMP 中探索變量聚類和重要性®
Ryan J. Parker，JMP 技術學生，SAS
@瑞安帕克
本演示文稿展示了兩種技術，可深入了解 JMP Pro 中內置的預測模型。 第一種技術，變量聚類，通過將相似的預測變量分組到聚類中來簡化用戶的模型構建過程。 使用有關葡萄酒質量的數據集，我們說明了這種減少不僅在預測能力方面有好處，而且還提高了擬合模型的可解釋性。 接下來，我們將展示第二種技術，即變量重要性，如何用於評估複雜統計模型中輸入變量的重要性。 通過使用可能輸入變量的分佈分解統計模型的響應可變性，該方法允許用戶檢查輸入變量對模型響應的重要性。 了解哪些變量對響應變異性的影響最大對於理解這些輸入如何影響預測非常重要。 我們使用複雜的統計模型（例如神經網絡）展示了 JMP 如何為模型中的每個預測變量提供主要效應和總效應（包括所有可能的交互效應）的估計值。 本次會議將由 JMP 高級研究統計學家兼研發總監 Chris Gotwalt 主講。
預測建模
