무료 온라인 과정에서 자세히 알아보십시오.
산업 문제 해결을 위한 통계적 사고
이 비디오에서는 JMP Pro에서 예측 모델을 비교하고 선택하는 방법을 보여줍니다. 사용 가능한 모든 예측 변수를 사용하여 연속 %Fat에 대한 예측 모델을 맞추기 위해 데이터 세트 Bodyfat 07을 사용합니다.
검증 2 열은 데이터를 훈련, 검증 및 테스트 세트로 분할합니다.
우리는 일반화 회귀를 사용하여 3개의 선형 모델을 만들었습니다. 회귀 트리와 간단한 신경망도 만들었습니다.
어떤 모델이 가장 잘 수행되는지 결정하기 위해 테스트 세트에 대한 적합 통계를 살펴봅니다. 그러나 이것은 여러 모델을 비교할 때 약간 어려울 수 있습니다.
대신 모든 모델에 대한 공식을 데이터 테이블에 저장한 다음 JMP Pro의 모델 비교 플랫폼을 사용하여 모델을 비교하겠습니다.
일반화된 회귀 모델을 저장하려면 열 저장을 선택한 다음 모델의 빨간색 삼각형에서 예측 공식 저장을 선택합니다. 이렇게 하면 모델의 데이터 테이블에 예측 수식 열이 저장됩니다.
회귀 트리 모델을 데이터 테이블에 저장하려면 열 저장을 선택한 다음 모델의 맨 위 빨간색 삼각형에서 예측 수식 저장도 선택합니다.
신경망 모델을 저장하기 위해 모델의 빨간색 삼각형에서 프로필 수식 저장을 선택합니다. 데이터 테이블에 여러 열을 저장하는 대신 하나의 예측 공식 열에 전체 신경 모델을 저장합니다.
이러한 모델의 성능을 비교하기 위해 모델 비교 플랫폼을 사용합니다. 이를 위해 분석, 예측 모델링, 모델 비교를 차례로 선택합니다.
5개의 예측 열을 Y, Predictors로 선택합니다. Y, 예측자 필드를 비워 둘 수도 있습니다. 그러면 JMP가 예측 수식이 있는 모든 열을 자동으로 찾습니다.
훈련, 검증 및 테스트 세트에 대한 개별 적합 통계를 보고하려고 합니다. 따라서 검증 2를 BY 변수로 선택하고 확인을 클릭합니다.
데이터의 각 파티션에 대한 별도의 보고서가 표시됩니다.
모델은 훈련 데이터를 사용하여 적합했고 모델 복잡성은 검증 데이터에 의해 결정되었습니다. 따라서 테스트 세트에 대한 통계를 사용하여 가장 성능이 좋은 모델을 선택합니다.
최상의 모델을 더 쉽게 식별할 수 있도록 테스트 세트에 대해 RASE(Root Average Square Error)를 기준으로 정렬합니다. 이렇게 하려면 테이블을 마우스 오른쪽 버튼으로 클릭하고 열별 정렬을 선택합니다. 그런 다음 RASE를 선택하고 오름차순 상자를 클릭한 다음 확인을 클릭합니다.
이러한 데이터에 대해 구축한 모델 중에서 가장 성능이 좋은 모델은 정리된 정방향 선택 모델입니다. 이 모델은 RASE가 가장 낮고 AAE가 가장 낮고 RSquare가 가장 높습니다.
공식 열을 데이터 테이블에 저장하는 대신 공식 저장소에 게시할 수 있습니다. 예를 들어, 일반화된 회귀 모델을 살펴보겠습니다.
모델의 열 저장 메뉴에서 예측 수식 저장을 선택하는 대신 예측 수식 게시를 선택합니다.
이렇게 하면 모델이 Formula Depot에 기록됩니다.
여기에서 상단 빨간색 삼각형을 사용하여 모델 비교 플랫폼을 시작하고, 모델을 다른 데이터 테이블에 적용하고, 다양한 프로그래밍 언어로 모델에 대한 점수 코드를 생성하는 등의 작업을 수행할 수 있습니다.
모델 비교 플랫폼을 사용하면 가장 성능이 좋은 예측 모델을 쉽게 비교하고 선택할 수 있습니다. Formula Depot는 모델 비교에 대한 액세스를 제공할 뿐만 아니라 최상의 모델을 새 데이터에 쉽게 적용할 수도 있습니다.
