Erfahren Sie mehr in unserem kostenlosen Online-Kurs:
Statistisches Denken für die industrielle Problemlösung
In diesem Video zeigen wir, wie Vorhersagemodelle in JMP Pro verglichen und ausgewählt werden. Wir verwenden den Datensatz Bodyfat 07, um Vorhersagemodelle für kontinuierlichen %Fat unter Verwendung aller verfügbaren Prädiktoren anzupassen.
Die Spalte Validierung 2 unterteilt die Daten in Trainings-, Validierungs- und Testdatensätze.
Wir haben drei lineare Modelle mit verallgemeinerter Regression erstellt. Wir haben auch einen Regressionsbaum und ein einfaches neuronales Netzwerk erstellt.
Um festzustellen, welches Modell am besten abschneidet, sehen wir uns die Anpassungsstatistiken für das Testset an. Dies kann jedoch eine kleine Herausforderung sein, wenn Sie mehrere Modelle vergleichen.
Stattdessen speichern wir die Formeln für alle Modelle in der Datentabelle und verwenden dann die Modellvergleichsplattform in JMP Pro, um die Modelle zu vergleichen.
Um ein verallgemeinertes Regressionsmodell zu speichern, wählen wir Spalten speichern und dann Vorhersageformel speichern aus dem roten Dreieck für das Modell aus. Dadurch wird eine Vorhersageformelspalte in der Datentabelle für das Modell gespeichert.
Um das Regressionsbaummodell in der Datentabelle zu speichern, wählen wir außerdem Spalten speichern und dann Vorhersageformel speichern aus dem oberen roten Dreieck für das Modell aus.
Um das neuronale Netzwerkmodell zu speichern, wählen wir Save Profile Formulas aus dem roten Dreieck für das Modell. Anstatt mehrere Spalten in der Datentabelle zu speichern, wird das gesamte neuronale Modell in einer Vorhersageformelspalte gespeichert.
Um die Leistung dieser Modelle zu vergleichen, verwenden wir die Modellvergleichsplattform. Dazu wählen wir Analysieren, Vorhersagemodellierung und dann Modellvergleich.
Wir wählen die fünf vorhergesagten Spalten als Y, Prädiktoren aus. Sie können das Feld Y, Prädiktoren auch leer lassen, und JMP findet alle Spalten mit Vorhersageformeln für Sie.
Wir möchten separate Fit-Statistiken für die Trainings-, Validierungs- und Test-Sets melden. Also wählen wir Validierung 2 als Variable NACH und klicken auf OK.
Sie sehen separate Berichte für jede Partition der Daten.
Die Modelle wurden unter Verwendung der Trainingsdaten angepasst, und die Modellkomplexität wurde durch die Validierungsdaten bestimmt. Daher verwenden wir die Statistiken für das Testset, um das Modell mit der besten Leistung auszuwählen.
Um die Identifizierung des besten Modells zu erleichtern, sortieren wir für den Testsatz nach RASE (Root Average Square Error). Dazu klicken wir mit der rechten Maustaste auf die Tabelle und wählen Sort by Column. Dann wählen wir RASE aus, klicken auf das Kästchen Ascending und dann auf OK.
Von den Modellen, die wir für diese Daten erstellt haben, ist das leistungsstärkste Modell das beschnittene Vorwärtsauswahlmodell. Dieses Modell hat das niedrigste RASE, das niedrigste AAE und das höchste RSquare.
Eine Alternative zum Speichern von Formelspalten in der Datentabelle besteht darin, sie im Formeldepot zu veröffentlichen. Schauen wir uns zum Beispiel die verallgemeinerten Regressionsmodelle an.
Anstatt Vorhersageformel speichern aus dem Menü Spalten speichern für das Modell auszuwählen, wählen wir Vorhersageformel veröffentlichen aus.
Dadurch wird das Modell in das Formeldepot geschrieben.
Von hier aus können wir das obere rote Dreieck verwenden, um die Modellvergleichsplattform zu starten, Sie können das Modell auf eine andere Datentabelle anwenden, Sie können Bewertungscode für das Modell in verschiedenen Programmiersprachen generieren und vieles mehr.
Die Modellvergleichsplattform erleichtert den Vergleich und die Auswahl des leistungsstärksten Vorhersagemodells. Das Formeldepot bietet Zugriff auf den Modellvergleich, ermöglicht Ihnen aber auch, Ihr bestes Modell einfach auf neue Daten anzuwenden.
