의사 결정 트리 예측의 신뢰도<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />안녕하세요,
법의학 분석 상황에있는 고객은 알 수없는 샘플을 분류하기 위해 모델을 구축했습니다. 그들은 알려진 원산지의 일련의 표본에 대한 변수를 측정했습니다. 이들은 측정 된 변수를 기반으로 모든 샘플의 출처를 예측하는 모델을 작성하기 위해 이들을 사용합니다.
그들은 유용한 파티션과 신경망 모델을 구축했습니다. 모델은 샘플에 대한 가장 가능성있는 출처와 그것이 해당 클래스에 속할 확률을 알려줍니다.
고객이 갖는 질문은 다음과 같습니다. 확률에 대한 우리의 신뢰도는 무엇입니까?
그들은 부트 스트랩이 이것에 대한 해결책이라고 생각합니다. 그러나 NN 또는 DT에서는 불가능합니다. 부트 스트랩 포리스트를 만들고 임의 변수 선택을 수행하지 않도록 지정할 수 있습니다. 이것은 일련의 확률을 생성 한 다음 모두를 평균합니다. 그러나 개별 나무에 의해 예측 된 확률에 대한 분배 또는 qauntiles를 얻는 쉬운 방법은 없습니다. 예측 수식을 수동으로 또는 일부 스크립트로 분해하지 않아도됩니다.
더 간단한 해결책은 로지스틱 회귀 또는 PLS-DA를 사용하여 모델을 재구성 한 다음 1 클릭 부트 스트랩을 수행하는 것입니다. 그러나 고객은 오히려 NN 및 DT 모델을 좋아합니다. PLS-DA 모델은 확률 예측 <0 및> 1을 제공하므로 안심할 수 없습니다.
제가 누락 된 우아한 해결책이 있습니까?
감사,
필
재 : 결정 트리 예측의 신뢰도스크립팅 솔루션 덕분에, 돈.
나는 실종 된 포인트 앤 클릭 솔루션이 없었는지 확인하기를 원했습니다. 나는 그렇지 않은 것 같다.
다시 한번 감사드립니다.
필
재 : 결정 트리 예측의 신뢰도필,
JMP에서 예상 모델 중 하나를 사용하여 부트 스트랩을 수행 할 수 있습니다. 단지 약간의 JSL 만 필요합니다. 기본적으로 재 샘플링 할 시간만큼 반복하여 매번 플랫폼을 재실행합니다. 각 루프가 끝나면 테스트 그룹의 관찰 결과가 정확하게 식별되는지 여부를 결정해야합니다. 부트 스트랩이 끝나면 횟수와 관측치의 합계를 정할 수 있습니다. 유효성 검사 열을 사용하면 가장 쉬운 방법이라고 생각합니다. 일반적으로 코드는 다음과 같습니다.
For (i = 1, i <= nLoops, i ++,
// 유효성 검사 열 다시 셔플
// 분석 플랫폼 실행
// 단계 i에서 테스트 집합의 관측치에 대한 올바른 / 잘못된 분류 정보 수집
);
진정한 신뢰 구간이 아니지만 (가장 예측 가능한 모델링 기법을 구할 수 있는지 확신 할 수는 없지만) 유용하기에 충분하다고 생각합니다.
님
