Esplorazione del clustering variabile e dell'importanza in JMP ®
Ryan J. Parker, studente tecnico JMP, SAS
@RyanParker
Questa presentazione dimostra due tecniche per diffondere informazioni sui modelli predittivi integrati in JMP Pro. La prima tecnica, il clustering variabile, viene mostrato per semplificare il processo di creazione del modello per l'utente raggruppando predittori simili in cluster. Utilizzando un set di dati sulla qualità del vino, illustriamo come questa riduzione non abbia solo vantaggi in termini di potere predittivo, ma migliora anche l'interpretazione del modello montato. Successivamente, mostriamo come la seconda tecnica, importanza variabile, può essere utilizzata per valutare l'importanza delle variabili di input in modelli statistici complessi. Decomponendo la variabilità della risposta di un modello statistico usando la distribuzione di possibili variabili di input, questo metodo consente all'utente di esaminare l'importanza delle variabili di input sulla risposta di un modello. Conoscere quali variabili hanno il maggiore impatto sulla variabilità della risposta è importante per comprendere come questi input influenzano le previsioni. Utilizzando modelli statistici complessi, come le reti neurali, mostriamo come JMP fornisce stime degli effetti principali e degli effetti totali (che includono tutti i possibili effetti di interazione) per ciascun predittore nel modello. Questa sessione sarà presentata da Chris Gotwalt, Senior Research Statistician e Director of Research and Development for JMP.
