Les plates-formes de modélisation et multivariées de JMP mettent à votre portée de puissantes techniques d'analyse. Découvrez comment tirer le meilleur parti des outils de visualisation et de découverte de données du modèle. Cette session couvre la modélisation descriptive et prédictive, la modélisation lorsque vous connaissez la relation entre X et Y et l'utilisation de la plateforme multivariée pour comprendre la structure du X.
Rôles de modélisation
- Modèles descriptifs: données contractuelles pour décrire les modèles et les tendances
- Modèles prédictifs: utilisez des modèles et des tendances pour faire des prédictions sur les nouvelles données
Si vous connaissez le formulaire modèle ...
- Ajustement d'une équation connue par rapport aux polynômes
Comment créer des modèles prédictifs et comparer des modèles dans JMP Pro
- Lorsque les observations sont inférieures à 1 000, utilisez la validation croisée K-Fold
- Validation croisée k-Fold
- k est le nombre de sous-ensembles partitionnés de façon aléatoire des données
- 1 partition est utilisée pour la validation, k-1 est utilisé pour la formation
- Le processus est répété k fois, les résultats sont combinés
- Si n est supérieur à 100, K doit être compris entre 5 et 10
- Si n est inférieur ou égal à 100, le nombre d'échantillons dans chaque groupe de k plis doit être d'environ 1 ou 2. Ainsi, chaque ensemble de formation est très proche de la taille de vos données et seuls quelques enregistrements sont retenus pour validation
- si n> 1 000, utiliser la partition de formation, de validation et de test à l'aide d'un échantillonnage aléatoire simple ou stratifié.
Formation, validation et partitionnement des données de test
- Créez une colonne de validation (0,1 pour la formation et la validation. 0,1,2 - pour la formation, la validation et le test)
- Utilisez la colonne de validation dans les plateformes Fit Model, Neural et Partition
- En général, ne vous entraînez pas sur plus d'un million d'observations
- Utiliser au moins 30% des données pour la validation
- Pour les événements rares, envisagez de suréchantillonner ou de surpondérer les observations rares, de sorte que le modèle ne correspond pas seulement aux données non rares
- Comparer R2, erreur quadratique moyenne racine (RASE) et erreur absolue moyenne (AAE)
- Visualisez et comparez les modèles à l'aide de la plateforme de comparaison de modèles
Création de modèles avec colinéarité
- Besoin de comprendre la nature multivariée du X
