Scopri di più nel nostro corso online gratuito:
Pensiero statistico per la risoluzione di problemi industriali
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"});
(visualizza in I miei video)
In questo esempio, utilizziamo i dati di Impurity Logistic per adattare un modello di regressione logistica per Outcome e Catalyst Conc utilizzando Fit Y by X.
Analizza> Adatta Y per X
Risultato come Y, risposta e Catalizzatore Conc come X, fattore.
La chiave di analisi, nell'angolo in basso a sinistra, ci dice che JMP effettuerà un'analisi di regressione logistica. Vediamo anche che il livello target, che è il risultato che ci interessa modellare, è Fail.
Per impostazione predefinita, JMP modella la probabilità del risultato che viene prima alfanumerico. Se lo si desidera, è possibile modificare la categoria target utilizzando questo campo. In questo esempio, modelleremo la probabilità di Fail.
Proprietà colonna ordinamento valore
Si noti che possiamo anche modificare il valore modellato in tutte le analisi impostando la proprietà della colonna Ordine valore. Per fare ciò, facciamo clic con il pulsante destro del mouse sul nome della colonna nella tabella dei dati, selezioniamo Proprietà colonna e quindi selezionare Ordine valore.
Fail è già il primo nell'elenco, quindi annulleremo semplicemente, torneremo alla finestra di dialogo dell'analisi e fare clic su OK per eseguire l'analisi.
Il grafico predefinito è la curva logistica. Dalla curva, possiamo vedere che all'aumentare del valore di Catalyst Conc, aumenta anche la probabilità di Fail.
Dalla pendenza della curva, possiamo vedere che la relazione è abbastanza forte. I punti dati sono tracciati al valore di Catalyst Conc (sull'asse X) e appaiono sopra o sotto la curva in base al risultato. I batch che non soddisfano le specifiche di impurità vengono tracciati sotto la curva e sono sparsi casualmente rispetto all'asse Y.
Possiamo usare questo modello per prevedere il risultato di diversi valori di Catalyst Conc. Quando selezioniamo Salva formula di probabilità dal triangolo rosso in alto, JMP aggiunge quattro nuove colonne alla tabella dei dati.
Lin [Fail] è il logit, cioè il modello logistico. Quando osserviamo la formula, vediamo i coefficienti di intercettazione e pendenza riportati nella tabella Stime dei parametri. Le prossime due colonne, Prob [Fail] e Prob [Pass], sono probabilità previste che vengono calcolate dal logit. Nella prima riga, vediamo che Prob [Fail], basato su un Catalyst Conc di 1.5, è 0.11. La quarta colonna, Risultato più probabile, classifica il risultato come Fail o Pass, in base al risultato con la più alta probabilità prevista. Nella prima riga, Prob [Pass] è il più alto, quindi il risultato è classificato come Pass.
Tornando alla finestra di analisi, possiamo esaminare il tasso di classificazione errata nel rapporto Dettagli adattamento per vedere il rendimento del nostro modello. Per il modello logistico con solo Catalyst Conc, il tasso complessivo di classificazione errata è del 15%. Cioè, il 15% delle osservazioni è stato classificato in modo errato dal modello. Questo semplice modello di regressione logistica è errato il 15% delle volte. Possiamo fare di meglio? Nel prossimo video, creeremo un modello più complesso per vedere se possiamo migliorare il tasso complessivo di classificazione errata.
