En savoir plus dans notre cours en ligne gratuit:
Pensée statistique pour la résolution de problèmes industriels
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"});
(voir dans Mes vidéos)
Dans cet exemple, nous utilisons les données logistiques d'impureté pour ajuster un modèle de régression logistique pour Outcome et Catalyst Conc utilisant Fit Y by X.
Analyser> Ajuster Y par X
Résultat comme Y, Response et Catalyst Conc comme X, Factor.
La clé d'analyse, dans le coin inférieur gauche, nous indique que JMP effectuera une analyse de régression logistique. Nous voyons également que le niveau cible, qui est le résultat que nous souhaitons modéliser, est Échec.
Par défaut, JMP modélise la probabilité du résultat qui apparaît en premier par ordre alphanumérique. Si vous le souhaitez, nous pouvons modifier la catégorie cible à l'aide de ce champ. Dans cet exemple, nous modéliserons la probabilité d'échec.
Propriété Colonne de commande de valeur
Notez que nous pouvons également modifier la valeur modélisée dans toutes les analyses en définissant la propriété de la colonne Ordre des valeurs. Pour ce faire, cliquez avec le bouton droit sur le nom de la colonne dans le tableau de données, sélectionnez Propriétés de la colonne, puis sélectionnez Ordre des valeurs.
L'échec est déjà le premier dans la liste, nous allons donc simplement annuler, revenir à la boîte de dialogue d'analyse et cliquer sur OK pour exécuter l'analyse.
Le graphique par défaut est la courbe logistique. De la courbe, nous pouvons voir que lorsque la valeur de Catalyst Conc augmente, la probabilité d'échec augmente également.
De la raideur de la courbe, nous pouvons voir que la relation est assez forte. Les points de données sont tracés à la valeur de Catalyst Conc (sur l'axe X) et apparaissent au-dessus ou au-dessous de la courbe en fonction du résultat. Les lots qui ne répondent pas à la spécification Impureté sont tracés sous la courbe et sont répartis de manière aléatoire par rapport à l'axe Y.
Nous pouvons utiliser ce modèle pour prédire le résultat pour différentes valeurs de Catalyst Conc. Lorsque nous sélectionnons Enregistrer la formule de probabilité dans le triangle rouge supérieur, JMP ajoute quatre nouvelles colonnes au tableau de données.
Lin [Fail] est le logit, c'est-à-dire le modèle logistique. Lorsque nous regardons la formule, nous voyons les coefficients d'interception et de pente qui sont rapportés dans le tableau Estimations des paramètres. Les deux colonnes suivantes, Prob [Fail] et Prob [Pass], sont des probabilités prédites qui sont calculées à partir du logit. Dans la première ligne, nous voyons que Prob [Fail], basé sur un Catalyst Conc de 1,5, est de 0,11. La quatrième colonne, Résultat le plus probable, classe le résultat comme Échec ou Réussite, en fonction du résultat avec la probabilité prédite la plus élevée. Dans la première ligne, Prob [Pass] est le plus élevé, donc Outcome est classé comme Pass.
De retour à la fenêtre d'analyse, nous pouvons examiner le taux de classification erronée dans le rapport Fit Details pour voir les performances de notre modèle. Pour le modèle logistique avec uniquement Catalyst Conc, le taux global de mauvaise classification est de 15%. Autrement dit, 15% des observations ont été incorrectement classées par le modèle. Ce modèle de régression logistique simple est erroné 15% du temps. Pouvons-nous faire mieux? Dans la vidéo suivante, nous construisons un modèle plus complexe pour voir si nous pouvons améliorer le taux global de mauvaise classification.
