Apprenez-en plus 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 une forêt bootstrap pour la réponse continue, Rendement . Nous utilisons JMP Pro pour cette démonstration.
Le rendement acceptable pour ce procédé est de 80 %. Il existe 17 prédicteurs potentiels et seulement 90 observations. Nous utiliserons une forêt bootstrap pour identifier les prédicteurs les plus importants.
Pour ce faire, nous sélectionnons Predictive Modeling dans le menu Analyze, puis Bootstrap Forest.
Nous sélectionnons Rendement comme la variable Y, Réponse et sélectionnez les deux groupes de prédicteurs comme X, Facteurs.
Cela nous amène à une fenêtre de spécification. Ici, nous pouvons spécifier le nombre d'arbres dans la forêt, le nombre de termes à échantillonner par division et la proportion de nos données à rééchantillonner par bootstrap. Nous pouvons également spécifier la taille de l'arbre et la taille minimale de fractionnement.
Nous utiliserons les paramètres par défaut mais entrerons la graine aléatoire 1234 pour rendre notre analyse reproductible.
Vous pouvez voir que le RSquare pour ce modèle est de 0,665. Cependant, nous sommes principalement intéressés à identifier les variables importantes.
Nous sélectionnerons les contributions de colonne dans le triangle rouge supérieur. Vous pouvez voir qu'il y a cinq ou six variables importantes.
Si nous voulons améliorer le rendement, nous pourrions étudier davantage ce sous-ensemble de variables.
Une alternative à l'utilisation de la plate-forme Bootstrap Forest pour la sélection de variables consiste à utiliser la plate-forme Predictor Screening.
Nous lancerons cette plate-forme à partir d'Analyze puis de Screening.
Le dépistage des prédicteurs n'est que cela : une plate-forme pour dépister les prédicteurs potentiellement importants. Pour ce faire, il utilise une forêt d'amorçage dans les coulisses.
Nous allons sélectionner Yield comme Y, Response, et sélectionner les deux groupes de prédicteurs pour le rôle X.
Nous allons changer le nombre d'arbres à 1000 pour créer une forêt plus grande, puis cliquer sur OK.
Vous pouvez voir qu'encore une fois, les cinq ou six meilleurs prédicteurs ont été identifiés. Ces prédicteurs peuvent être copiés et collés dans une autre fenêtre d'analyse pour une étude plus approfondie.
