Scopri di più nel nostro corso online gratuito:
Pensiero statistico per la risoluzione dei problemi industriali
In questo esempio, adattiamo un modello predittivo per Impurità usando Modello in forma con tutti gli effetti principali e termini di interazione bidirezionale.
I dati sono stati suddivisi in dati di addestramento e convalida. Il 60% delle osservazioni è stato assegnato in modo casuale al set di addestramento e il 40% delle osservazioni si trova nel set di convalida.
Adegueremo il modello ai dati di addestramento e valuteremo le prestazioni del modello sui dati di convalida.
Iniziamo aggiungendo Impurità come variabile Y.
Selezioniamo tutte le variabili predittive. Quindi in Macro, selezioniamo Fattoriale a Grado . Questo aggiunge tutti gli effetti principali e le interazioni bidirezionali al modello.
Infine, selezioniamo il Convalida colonna come variabile di convalida.
Eseguiamo il nostro modello, con effetti principali e interazioni bidirezionali.
I parametri vengono stimati utilizzando solo le osservazioni nel set di addestramento. Le osservazioni nel set di validazione hanno le "v" come marcatori nei grafici Actual by Predicted e altri, per distinguere queste osservazioni da quelle nel set di training.
Le misure delle prestazioni del modello sono riportate in Crossvalidation.
RSquare per il set di addestramento è molto più alto di quello per il set di convalida. E RASE, o errore quadratico medio della radice, è molto più basso nel set di addestramento di quanto non lo sia per il set di convalida. Questa è una buona indicazione che il nostro modello è overfit.
Ridurremo lentamente questo modello utilizzando la tabella Riepilogo effetti, rimuovendo un termine alla volta.
Si noti che il modello più piccolo e meno complicato ha prestazioni migliori sul set di convalida rispetto al modello completo!
Ciò significa che il modello più piccolo si generalizza meglio ai nuovi dati rispetto al modello completo.
