Apprenez-en plus dans notre cours en ligne gratuit :
Pensée statistique pour la résolution de problèmes industriels
Dans cette vidéo, nous utilisons le Impureté exemple et ajuster un modèle pour la réponse catégorique, Résultat , avec les trois effets principaux continus, Temp , Catalyseur Conc , et Temps de réaction .
Les données ont été partitionnées en données de formation et de validation. 60 % des observations ont été affectées au hasard à l'ensemble d'apprentissage et 40 % des observations sont dans l'ensemble de validation.
Nous adapterons le modèle logistique aux données de formation et évaluerons les performances du modèle sur les données de validation.
Commençons par sélectionner Ajuster le modèle du Analyser menu.
Nous sélectionnons Résultat comme variable Y.
Ensuite, nous sélectionnons Temp , Catalyseur Conc , et Temps de réaction que les effets du modèle. La personnalité par défaut est Logistique nominale et Catégorie cible est Échouer .
Enfin, nous sélectionnons Validation comme variable de validation.
Le modèle est ajusté en utilisant uniquement les données d'apprentissage.
Pour voir le taux d'erreur global, nous ouvrons le plan Fit Details.
Le taux d'erreur de classification pour les données de formation est de 3,3 %, mais le taux d'erreur de classification pour les données de validation d'exclusion est de 20 %.
Examinons de plus près les classifications des modèles.
Matrice de confusion est une option sous le triangle rouge supérieur.
Il y a 40 observations dans les données de validation. Dix d'entre eux sont des échecs.
Le modèle a correctement classé 7 sur 10, soit 70 % des échecs dans l'ensemble de validation. Cela signifie qu'il a mal classé, ou manqué, 30 % des échecs.
Pouvons-nous améliorer le taux d'erreur de classification en ajustant un modèle plus compliqué ?
