Die Modellierungs- und multivariaten Plattformen in JMP bieten leistungsstarke Analysetechniken. Erfahren Sie, wie Sie die Tools zur Modellvisualisierung und Datenerkennung optimal nutzen können. Diese Sitzung behandelt die deskriptive und prädiktive Modellierung, die Modellierung, wenn Sie die Beziehung zwischen X und Y kennen, und die Verwendung der multivariaten Plattform, um die Struktur des X zu verstehen.
Modellierungsrollen
- Beschreibende Modelle: Vertragsdaten zur Beschreibung von Mustern und Trends
- Vorhersagemodelle: Verwenden Sie Muster und Trends, um Vorhersagen über neue Daten zu treffen
Wenn Sie die Modellform kennen ...
- Anpassen einer bekannten Gleichung gegen Polynome
Erstellen von Vorhersagemodellen und Vergleichen von Modellen in JMP Pro
- Wenn die Beobachtungen weniger als 1.000 betragen, verwenden Sie die K-Fold-Kreuzvalidierung
- k-fache Kreuzvalidierung
- k ist die Anzahl zufällig partitionierter Teilmengen der Daten
- 1 Partition wird zur Validierung verwendet, k-1 wird zum Training verwendet
- Der Vorgang wird k-mal wiederholt, die Ergebnisse werden kombiniert
- Wenn n größer als 100 ist, sollte K zwischen 5 und 10 liegen
- Wenn n kleiner oder gleich 100 ist, sollte die Anzahl der Proben in jeder k-fachen Gruppe etwa 1 oder 2 betragen. Daher liegt jeder Trainingssatz sehr nahe an der Größe Ihrer Daten, und nur wenige Datensätze werden zur Validierung zurückgehalten
- Wenn n> 1.000, verwenden Sie die Trainings-, Validierungs- und Testdatenpartition mithilfe einer einfachen oder geschichteten Zufallsstichprobe.
Schulung, Validierung und Partitionierung von Testdaten
- Erstellen Sie eine Validierungsspalte (0,1 für Schulung und Validierung. 0,1,2 - für Schulung, Validierung und Test)
- Verwenden Sie die Validierungsspalte in den Plattformen Fit Model, Neural und Partition
- Trainieren Sie im Allgemeinen nicht mehr als 1 Million Beobachtungen
- Verwenden Sie mindestens 30% der Daten zur Validierung
- Bei seltenen Ereignissen sollten Sie seltene Beobachtungen überabtasten oder hochgewichten, damit das Modell nicht nur zu den nicht seltenen Daten passt
- Vergleichen Sie R2, Root Averaged Squared Error (RASE) und Average Absolute Error (AAE).
- Visualisieren und vergleichen Sie Modelle mithilfe der Modellvergleichsplattform
Modelle mit Kollinearität bauen
- Sie müssen die multivariate Natur des X verstehen
