Apprenez-en plus dans notre cours en ligne gratuit :
Pensée statistique pour la résolution de problèmes industriels
Dans cet exemple, nous adaptons un modèle prédictif pour Impureté utilisant Ajuster le modèle avec tous les effets principaux et les termes d'interaction bidirectionnelle.
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 aux données d'apprentissage et évaluerons les performances du modèle sur les données de validation.
On commence par ajouter Impureté comme variable Y.
Nous sélectionnons toutes les variables prédictives. Ensuite, sous Macros, nous sélectionnons Factoriel en Degré . Cela ajoute tous les effets principaux et les interactions bidirectionnelles au modèle.
Enfin, nous sélectionnons le Validation colonne comme variable de validation.
Nous exécutons notre modèle, avec des effets principaux et des interactions bidirectionnelles.
Les paramètres sont estimés en utilisant uniquement les observations de l'ensemble d'apprentissage. Les observations dans l'ensemble de validation ont des "v" comme marqueurs dans les tracés Réel par Prédit et autres, pour distinguer ces observations de celles de l'ensemble d'apprentissage.
Les mesures de la performance du modèle sont rapportées sous Crossvalidation .
RSquare pour l'ensemble d'apprentissage est beaucoup plus élevé que pour l'ensemble de validation. Et RASE, ou erreur quadratique moyenne, est beaucoup plus faible sur l'ensemble d'apprentissage que sur l'ensemble de validation. Ceci est une bonne indication que notre modèle est surajusté.
Nous allons lentement réduire ce modèle à l'aide du tableau Résumé des effets, en supprimant un terme à la fois.
Notez que le modèle plus petit et moins compliqué fonctionne mieux sur l'ensemble de validation que le modèle complet !
Cela signifie que le modèle plus petit se généralise mieux aux nouvelles données que le modèle complet.
