Erfahren Sie mehr in unserem kostenlosen Online-Kurs:
Statistisches Denken für die industrielle Problemlösung
In diesem Video verwenden wir die Verunreinigung Beispiel und passen Sie ein Modell für die kategoriale Antwort an, Ergebnis , mit den drei kontinuierlichen Haupteffekten, Temp , Katalysatorkonz , und Reaktionszeit .
Die Daten wurden in Trainings- und Validierungsdaten partitioniert. 60 % der Beobachtungen wurden zufällig dem Trainingssatz zugewiesen, und 40 % der Beobachtungen befinden sich im Validierungssatz.
Wir passen das Logistikmodell an die Trainingsdaten an und bewerten die Modellleistung anhand der Validierungsdaten.
Beginnen wir mit der Auswahl Modell anpassen von dem Analysieren Speisekarte.
Wir wählen aus Ergebnis als Y-Variable.
Dann selektieren wir Temp , Katalysatorkonz , und Reaktionszeit als Modelleffekte. Die Standardpersönlichkeit ist Nominelle Logistik und Zielkategorie ist Scheitern .
Schließlich wählen wir aus Validierung als Validierungsvariable.
Das Modell wird nur unter Verwendung der Trainingsdaten angepasst.
Um die Gesamtfehlerrate zu sehen, öffnen wir die Übersicht „Anpassungsdetails“.
Die Fehlklassifikationsrate für die Trainingsdaten beträgt 3,3 %, aber die Fehlklassifikationsrate für die Holdout-Validierungsdaten beträgt 20 %.
Schauen wir uns die Modellklassifikationen genauer an.
Verwirrung Matrix ist eine Option unter dem oberen roten Dreieck.
Es gibt 40 Beobachtungen in den Validierungsdaten. Zehn davon sind Fehlschläge.
Das Modell hat 7 von 10 oder 70 % der Fehler im Validierungssatz korrekt klassifiziert. Das bedeutet, dass 30 % der Fehler falsch klassifiziert oder übersehen wurden.
Können wir die Fehlklassifikationsrate verbessern, indem wir ein komplizierteres Modell anpassen?
