Explorer le clustering et l'importance des variables dans JMP ®
Ryan J. Parker, étudiant technique JMP, SAS
@Ryan Parker
Cette présentation présente deux techniques permettant de mieux comprendre les modèles prédictifs intégrés à JMP Pro. La première technique, le regroupement de variables, simplifie le processus de construction du modèle pour l'utilisateur en regroupant des prédicteurs similaires en grappes. À l'aide d'un ensemble de données sur la qualité du vin, nous illustrons comment cette réduction a non seulement des avantages en termes de pouvoir prédictif, mais améliore également l'interprétabilité du modèle ajusté. Ensuite, nous montrons comment la deuxième technique, l'importance des variables, peut être utilisée pour évaluer l'importance des variables d'entrée dans des modèles statistiques complexes. En décomposant la variabilité de la réponse d'un modèle statistique à l'aide de la distribution des variables d'entrée possibles, cette méthode permet à l'utilisateur d'examiner l'importance des variables d'entrée sur la réponse d'un modèle. Il est important de savoir quelles variables ont le plus d'impact sur la variabilité des réponses pour comprendre comment ces entrées affectent les prévisions. À l'aide de modèles statistiques complexes, tels que les réseaux de neurones, nous montrons comment JMP fournit des estimations des effets principaux et des effets totaux (qui incluent tous les effets d'interaction possibles) pour chaque prédicteur du modèle. Cette séance sera présentée par Chris Gotwalt, statisticien de recherche principal et directeur de la recherche et du développement pour JMP.
