Apprenez-en davantage dans notre cours en ligne gratuit :
Pensée statistique pour la résolution de problèmes industriels
Dans cette vidéo, nous utilisons le Fabrication de produits chimiques exemple et ajuster un arbre de classification pour la réponse catégorielle, Performance .
Pour ce faire, nous sélectionnons Modélisation prédictive dans le menu Analyser, puis sélectionnons Partition.
Nous sélectionnons Performance comme Y, variable de réponse.
Ensuite, nous sélectionnons les deux groupes de prédicteurs comme X, facteurs.
La ligne horizontale dans le graphique de partition montre le taux d'acceptation global. Lorsque Performance est Accepté, les points sont dispersés de manière aléatoire en dessous de la ligne, et lorsque Performance est Rejeté, les points sont dispersés de manière aléatoire au-dessus de la ligne. Nous allons cliquer sur Points de couleur pour que vous puissiez mieux voir cela.
Notre modèle initial a un nœud. Ajoutons quelques détails supplémentaires. Pour ce faire, nous sélectionnons Options d'affichage, puis Afficher le nombre de fractionnements, dans le triangle rouge supérieur.
Vous pouvez voir les taux et le nombre d'observations pour les deux résultats. Quatorze des quatre-vingt-dix lots ont été rejetés.
Pour créer l'arborescence de classification, vous pouvez utiliser le triangle rouge du nœud pour appliquer une répartition spécifiée. Ou vous pouvez utiliser le bouton Diviser. Nous cliquerons une fois sur le bouton Diviser.
La première division concerne le test de base variable. Lorsque le test de base est inférieur à 97,9, le taux de rejet est de 0,4167. Sinon, le taux de rejet est de 0,0606.
Notez que JMP signale également une valeur Prob. Il s’agit de la probabilité prédite d’appartenance à une classe basée sur le modèle. Cette valeur est légèrement différente des taux car elle inclut un facteur de pondération pour garantir que les probabilités sont toujours non nulles.
Séparons-nous à nouveau.
Cette fois, la répartition du modèle porte sur la quantité de carbamate lorsque le test de base est inférieur à 97,9. Dans cette branche, si la quantité de carbamate est inférieure à 1,1, la probabilité de rejet est de 1,0, mais si la quantité de carbamate est supérieure ou égale à 1,1, la probabilité de rejet est de 0,22.
Avant de continuer, examinons de plus près le modèle que nous construisons. Pour ce faire, nous sélectionnerons Leaf Report dans le triangle rouge supérieur.
Vous pouvez voir qu'un arbre de classification est une série d'instructions If-Then. Séparons-nous encore une fois.
Le modèle est désormais divisé en fonction de la taille du navire. Sur la base de ce modèle, la probabilité de rejet la plus faible est lorsque le test de base est supérieur ou égal à 97,9 et que la taille du récipient est de 500 ou 750. Cette probabilité prédite est proche de zéro !
La probabilité de rejet la plus élevée est lorsque le dosage de base est inférieur à 97,9 et la quantité de carbamate est inférieure à 1,1.
Notez que certains de ces nœuds n'ont pas beaucoup d'observations. Il s'agit d'un petit ensemble de données pour un arbre de classification. Nous pourrions continuer à nous diviser jusqu’à ce que plus aucune scission ne soit possible. Mais cela nous amènerait à surajuster le modèle.
Pour vous assurer que le modèle ne se divise pas sur des nœuds avec très peu d'observations, vous pouvez définir une taille de division minimale avant de créer le modèle.
À titre d'illustration, nous utiliserons le bouton Élaguer pour réduire le modèle à un seul nœud.
Nous utiliserons 10 pour la taille minimale de division. Pour définir cela, nous allons sélectionner Taille de division minimale dans le triangle rouge supérieur, entrer la valeur et cliquer sur OK.
Maintenant, nous allons cliquer plusieurs fois sur le bouton Diviser.
Notre modèle final comporte quatre divisions. Vous pouvez facilement voir que la combinaison d’un faible dosage de base et d’une faible quantité de carbamate constitue un problème. Plus de la moitié des rebuts se situent dans cette branche !
