Erfahren Sie mehr in unserem kostenlosen Online-Kurs:
Statistisches Denken zur industriellen Problemlösung
In diesem Video verwenden wir die Chemische Herstellung Beispiel und Anpassung eines Klassifizierungsbaums für die kategoriale Antwort, Leistung .
Dazu wählen wir „Predictive Modeling“ aus dem Menü „Analysieren“ und dann „Partition“.
Wir wählen aus Leistung als Y, Antwortvariable.
Dann wählen wir die beiden Gruppen von Prädiktoren als X-Faktoren aus.
Die horizontale Linie im Partitionsdiagramm zeigt die Gesamtakzeptanzrate. Wenn „Leistung“ auf „Akzeptieren“ gesetzt ist, werden die Punkte zufällig unterhalb der Linie verteilt, und wenn „Leistung“ auf „Ablehnen“ gesetzt ist, werden die Punkte zufällig über der Linie verteilt. Wir klicken auf Farbpunkte, damit Sie dies besser sehen können.
Unser ursprüngliches Modell hat einen Knoten. Fügen wir noch ein paar Details hinzu. Dazu wählen wir im oberen roten Dreieck „Anzeigeoptionen“ und dann „Zählung der Teilungen anzeigen“.
Sie können die Raten und die Anzahl der Beobachtungen für beide Ergebnisse sehen. Vierzehn der neunzig Chargen wurden abgelehnt.
Um den Klassifizierungsbaum zu erstellen, können Sie das rote Dreieck für den Knoten verwenden, um eine bestimmte Aufteilung anzuwenden. Oder Sie können die Schaltfläche „Teilen“ verwenden. Wir klicken einmal auf die Schaltfläche „Teilen“.
Die erste Aufteilung erfolgt nach dem variablen Basisassay. Wenn der Basiswert unter 97,9 liegt, beträgt die Ausschussrate 0,4167. Andernfalls beträgt die Ausschussquote 0,0606.
Beachten Sie, dass JMP auch einen Prob-Wert meldet. Dies ist die prognostizierte Wahrscheinlichkeit der Klassenzugehörigkeit basierend auf dem Modell. Dieser Wert unterscheidet sich geringfügig von den Raten, da er einen Gewichtungsfaktor enthält, um sicherzustellen, dass die Wahrscheinlichkeiten immer ungleich Null sind.
Lasst uns noch einmal trennen.
Diesmal erfolgt die Modellaufteilung nach der Carbamatmenge, wenn der Basiswert unter 97,9 liegt. Wenn in diesem Zweig die Carbamatmenge kleiner als 1,1 ist, beträgt die Wahrscheinlichkeit einer Zurückweisung 1,0. Wenn die Carbamatmenge jedoch größer oder gleich 1,1 ist, beträgt die Wahrscheinlichkeit einer Zurückweisung 0,22.
Bevor wir uns weiter aufteilen, werfen wir einen genaueren Blick auf das Modell, das wir erstellen. Dazu wählen wir Leaf Report aus dem oberen roten Dreieck aus.
Wie Sie sehen, besteht ein Klassifizierungsbaum aus einer Reihe von Wenn-Dann-Anweisungen. Lasst uns noch einmal trennen.
Jetzt ist das Modell hinsichtlich der Schiffsgröße gespalten. Basierend auf diesem Modell ist die Wahrscheinlichkeit eines Ausschusses am geringsten, wenn der Basiswert größer oder gleich 97,9 ist und die Gefäßgröße 500 oder 750 beträgt. Diese vorhergesagte Wahrscheinlichkeit liegt nahe bei Null!
Die höchste Ablehnungswahrscheinlichkeit besteht, wenn der Basiswert unter 97,9 und die Carbamatmenge unter 1,1 liegt.
Beachten Sie, dass einige dieser Knoten nicht viele Beobachtungen haben. Dies ist ein kleiner Datensatz für einen Klassifizierungsbaum. Wir könnten weiter spalten, bis keine weiteren Spaltungen mehr möglich sind. Dies würde jedoch dazu führen, dass wir das Modell überanpassen.
Um sicherzustellen, dass das Modell nicht auf Knoten mit sehr wenigen Beobachtungen aufgeteilt wird, können Sie vor der Erstellung des Modells eine Mindestteilungsgröße festlegen.
Zur Veranschaulichung verwenden wir die Schaltfläche „Beschneiden“, um das Modell wieder auf einen Knoten zu beschneiden.
Wir verwenden 10 für die minimale Teilungsgröße. Um dies festzulegen, wählen wir im oberen roten Dreieck die Option „Mindestteilungsgröße“ aus, geben den Wert ein und klicken auf „OK“.
Jetzt klicken wir ein paar Mal auf die Schaltfläche „Teilen“.
Unser endgültiges Modell hat vier Splits. Sie können leicht erkennen, dass die Kombination aus niedrigem Basengehalt und niedriger Carbamatmenge ein Problem darstellt. Mehr als die Hälfte des Ausschusses entfällt auf diese Branche!
