무료 온라인 과정에서 자세히 알아보십시오.
산업 문제 해결을위한 통계적 사고
LITHIUM.OoyalaPlayer.addVideo('https:\/\/player.ooyala.com\/static\/v4\/production\/', 'lia-vid-F5c2o4ajE6M0PGrRUmD-uk5717YA94fww1600h900r743', 'F5c2o4ajE6M0PGrRUmD-uk5717YA94fw', {"pcode":"ltbGkyOjMl3V3pZ3Trn6T2z1_rjF","playerBrandingId":"ODI0MmQ3NjNhYWVjODliZTgzY2ZkMDdi","width":"1600px","height":"900px"});
(내 비디오에서보기)
이 예에서는 불순물 로지스틱 데이터를 사용하여 X에 의한 맞춤 Y를 사용하여 결과 및 Catalyst Conc에 대한 로지스틱 회귀 모델을 맞 춥니 다.
분석> X로 Y 맞춤
결과 Y로, 응답 과 촉매 광 X, Factor로
왼쪽 하단에있는 분석 키는 JMP가 로지스틱 회귀 분석을 수행 할 것임을 알려줍니다. 또한 모델링에 관심있는 결과 인 목표 수준이 실패임을 알 수 있습니다.
기본적으로 JMP는 알파벳순으로 결과가 나올 확률을 모델링합니다. 원하는 경우이 필드를 사용하여 대상 카테고리를 변경할 수 있습니다. 이 예에서는 실패 확률을 모델링합니다.
값 순서 열 속성
값 순서 열 속성을 설정하여 모든 분석에서 모델링 된 값을 변경할 수도 있습니다. 이렇게하려면 데이터 테이블에서 열 이름을 마우스 오른쪽 단추로 클릭하고 열 속성을 선택한 다음 값 순서를 선택하십시오.
실패는 이미 목록의 첫 번째이므로 취소하고 분석 대화 상자로 돌아가서 확인을 클릭하여 분석을 실행합니다.
기본 그래프는 로지스틱 곡선입니다. 곡선에서 Catalyst Conc의 값이 증가함에 따라 실패 확률도 증가 함을 알 수 있습니다.
곡선의 가파름에서 관계가 상당히 강하다는 것을 알 수 있습니다. 데이터 포인트는 Catalyst Conc 값 (X 축)으로 표시되며 결과를 기준으로 곡선 위 또는 아래에 나타납니다. 불순물 사양을 충족하지 못한 배치는 곡선 아래에 표시되며 Y 축에 대해 무작위로 흩어집니다.
이 모델을 사용하여 Catalyst Conc의 다른 값에 대한 결과를 예측할 수 있습니다. 맨 위 빨간색 삼각형에서 확률 공식 저장을 선택하면 JMP가 데이터 테이블에 4 개의 새 열을 추가합니다.
Lin [Fail]은 로짓, 즉 로지스틱 모델입니다. 공식을 보면 모수 추정값 표에보고 된 절편 및 기울기 계수가 표시됩니다. 다음 두 열인 Prob [Fail] 및 Prob [Pass]는 로짓에서 계산 된 예측 확률입니다. 첫 번째 행에서 Catalyst Conc가 1.5 인 Prob [Fail]은 0.11임을 알 수 있습니다. 네 번째 열인 가장 가능성이 높은 결과는 예상 확률이 가장 높은 결과에 따라 결과를 실패 또는 통과로 분류합니다. 첫 번째 행에서 Prob [Pass]가 가장 높으므로 결과는 합격으로 분류됩니다.
분석 창으로 돌아가서 Fit Details (세부 정보 맞춤) 보고서에서 오 분류 율을보고 모델의 성능을 확인할 수 있습니다. Catalyst Conc 만있는 로지스틱 모델의 경우 전체 오 분류 비율은 15 %입니다. 즉, 관측치의 15 %가 모형에 의해 잘못 분류되었습니다. 이 간단한 로지스틱 회귀 모형은 시간의 15 %가 잘못되었습니다. 더 잘할 수 있을까요? 다음 비디오에서는 전체 오 분류 율을 개선 할 수 있는지 여부를 확인하기 위해보다 복잡한 모델을 작성합니다.
