Je suggère que la recherche du "meilleur" modèle ne soit finalement pas résolue par un processus d'analyse unique. Le «meilleur» modèle est celui qui vous aide à résoudre le problème pratique auquel vous êtes confronté. S'appuyer sur les statistiques de diagnostic de modèle comme seul critère (et lequel choisir?) Ignore les problèmes d'expertise de domaine et de praticité du modèle proposé pour la résolution du problème. Par exemple, l'objectif de l'exercice est-il explicatif ou prédictif? Avez-vous envisagé la validation croisée dans votre flux de travail? Vous avez utilisé une méthode basée sur des arbres. Qu'en est-il des autres méthodes de modélisation, par exemple la régression basée sur une simple méthode OLS ou sur des méthodes alternatives telles que PLS ou si vous utilisez JMP Pro, des méthodes de régression généralisées ou des réseaux de neurones? Et il y a beaucoup d'autres considérations.
Pour approfondir ces idées, je suggère de jeter un coup d'œil à la séquence "Webinaires" de JMP sur demande: "Construire de meilleurs modèles":
https://www.jmp.com/en_us/events/ondemand/webcasts/by-series/building-better-models.html
