<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />
Hallo! JMP-Fans und Experten
Bei der logistischen Regression, Partitionierung und Modellvergleichung neuronaler Netzwerke ist die Fehlklassifizierungsrate ein wichtiges Maß, um zu bestimmen, welches Modell besser ist oder nicht. Nach meinem Verständnis, Je kleiner der Wert der Fehlklassifizierungsrate ist, desto besser ist das Modell. Die folgenden Fälle verwirrten mich jedoch. Im ersten Fall wurde mir gesagt, dass ein größeres Modell besser sei, im zweiten Fall jedoch, dass ein kleineres Modell besser sei.
JMP-Fans und Experten, wer kann mir dieses Problem erklären? Und geben Sie mir mehr Interpretation zu diesem Szenario.
1. Erster Fall
2. Der zweite Fall
Verwenden Sie eine Art „Experten“-System, um die mit jeder Tabelle verbundenen Erzählungen zu erstellen? Im zweiten Fall handelt es sich offensichtlich um eine JMP-bezogene Ausgabe der JMP Pro-Modellvergleichsplattform. Mir ist nicht klar, welches Analysepaket das Bild von Fall Nr. 1 erzeugt hat.
Nachdem ich dies jedoch gefragt habe, vermute ich zumindest im ersten Fall, dass das entscheidende Kriterium, das zur Bestimmung des „besten“ Modells verwendet wird, die AICc-Statistik und nicht die Fehlklassifizierungsrate ist. Die AICc-Statistik ist eine dieser Regressionsdiagnosen nach dem Motto „je niedriger, desto besser“. Da dieses Modell also den niedrigsten AICc aufweist, wählt das System dieses Modell als das „beste“ aus.
Es folgt ein allgemeines Tutorial zur Interpretation der Regressions-/Modellierungsdiagnose. Ich schreie von allen Dächern, wann immer ich kann, NIEMALS EIN einziges Regressionsdiagnosemaß, Diagramm oder Schätzung zu verwenden, um ein „bestes“ Modell zu ermitteln. Am Ende jedes Modellierungsproblems ermutige ich Entscheidungsträger, Ihr „bestes“ Modell immer mit der Frage zu bestimmen: „Welches Modell hilft mir am besten, mein praktisches Problem zu lösen?“ Das ist das Modell, das Sie auswählen sollten … nicht das Modell mit dem höchsten R**2, F-Verhältnis, AICc oder dem attraktivsten Residuendiagramm … oder einem anderen mathematischen/grafischen Konstrukt.
Insbesondere bei Klassifizierungsproblemen ... gibt es oft sehr unterschiedliche praktische Konsequenzen für die verschiedenen Kategorien von Fehlklassifizierungen ... die Fehlklassifizierungsrate ist die Summe ALLER Fehlklassifizierungen. Denken Sie als Beispiel an die Krebsdiagnostik ... ganz unterschiedliche Konsequenzen für falsch negative oder falsch positive Ergebnisse. Ich könnte also ein „bestes“ Modell auswählen, das die PRAKTISCHEN Folgen einer der Fehlklassifizierungskategorien minimiert ... auf Kosten einer höheren Rate in der anderen.
