Explorando la agrupación de variables y la importancia en JMP ®
Ryan J. Parker, estudiante técnico de JMP, SAS
@RyanParker
Esta presentación muestra dos técnicas para arrojar información sobre los modelos predictivos integrados en JMP Pro. Se muestra que la primera técnica, el agrupamiento variable, simplifica el proceso de construcción del modelo para el usuario al agrupar predictores similares en grupos. Usando un conjunto de datos sobre la calidad del vino, ilustramos cómo esta reducción no solo tiene beneficios en términos de poder predictivo, sino que también mejora la interpretabilidad del modelo ajustado. A continuación, mostramos cómo se puede utilizar la segunda técnica, la importancia variable, para evaluar la importancia de las variables de entrada en modelos estadísticos complejos. Al descomponer la variabilidad de la respuesta de un modelo estadístico utilizando la distribución de posibles variables de entrada, este método permite al usuario examinar la importancia de las variables de entrada en la respuesta de un modelo. Saber qué variables tienen el mayor impacto en la variabilidad de la respuesta es importante para comprender cómo estas entradas afectan las predicciones. Utilizando modelos estadísticos complejos, como las redes neuronales, mostramos cómo JMP proporciona estimaciones de los efectos principales y los efectos totales (que incluyen todos los posibles efectos de interacción) para cada predictor en el modelo. Esta sesión será presentada por Chris Gotwalt, Estadista Senior de Investigación y Director de Investigación y Desarrollo de JMP.
