Untersuchen von Variablen-Clustering und -Bedeutung in JMP ®
Ryan J. Parker, JMP-Technikstudent, SAS
@RyanParker
Diese Präsentation demonstriert zwei Techniken, um Einblicke in Vorhersagemodelle zu gewinnen, die in JMP Pro integriert sind. Die erste Technik, Variablen-Clustering, vereinfacht den Modellerstellungsprozess für den Benutzer, indem ähnliche Prädiktoren in Clustern gruppiert werden. Anhand eines Datensatzes zur Weinqualität veranschaulichen wir, wie diese Reduzierung nicht nur Vorteile in Bezug auf die Vorhersagekraft hat, sondern auch die Interpretierbarkeit des angepassten Modells verbessert. Als nächstes zeigen wir, wie die zweite Technik, die Wichtigkeit von Variablen, verwendet werden kann, um die Wichtigkeit von Eingabevariablen in komplexen statistischen Modellen zu bewerten. Durch die Zerlegung der Antwortvariabilität eines statistischen Modells unter Verwendung der Verteilung möglicher Eingabevariablen ermöglicht diese Methode dem Benutzer, die Bedeutung von Eingabevariablen für die Antwort eines Modells zu untersuchen. Zu wissen, welche Variablen den größten Einfluss auf die Antwortvariabilität haben, ist wichtig, um zu verstehen, wie sich diese Eingaben auf Vorhersagen auswirken. Unter Verwendung komplexer statistischer Modelle wie neuronaler Netze zeigen wir, wie JMP Schätzungen von Haupteffekten und Gesamteffekten (die alle möglichen Wechselwirkungseffekte enthalten) für jeden Prädiktor im Modell bereitstellt. Diese Sitzung wird von Chris Gotwalt, Senior Research Statistician und Director of Research and Development bei JMP, präsentiert.
