Erfahren Sie mehr in unserem kostenlosen Online-Kurs:
Statistisches Denken für die industrielle Problemlösung
In diesem Beispiel passen wir ein Vorhersagemodell für an Verunreinigung verwenden Modell anpassen mit allen Haupteffekten und Wechselwirkungstermen.
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 Modell an die Trainingsdaten an und bewerten die Modellleistung anhand der Validierungsdaten.
Wir beginnen mit dem Hinzufügen Verunreinigung als Y-Variable.
Wir wählen alle Prädiktorvariablen aus. Dann wählen wir unter Makros aus Fakultät zu Grad . Dadurch werden dem Modell alle Haupteffekte und Wechselwirkungen in beide Richtungen hinzugefügt.
Abschließend wählen wir die aus Validierung Spalte als Validierungsvariable.
Wir führen unser Modell mit Haupteffekten und Wechselwirkungen in beide Richtungen aus.
Die Parameter werden nur unter Verwendung der Beobachtungen im Trainingssatz geschätzt. Die Beobachtungen im Validierungssatz haben "vs" als Markierungen in den Diagrammen "Ist nach Vorhergesagt" und anderen Diagrammen, um diese Beobachtungen von denen im Trainingssatz zu unterscheiden.
Messungen der Leistung des Modells werden unter Kreuzvalidierung angegeben.
RSquare für das Trainingsset ist viel höher als für das Validierungsset. Und RASE oder Root Average Squared Error ist im Trainingssatz viel niedriger als im Validierungssatz. Dies ist ein guter Hinweis darauf, dass unser Modell überangepasst ist.
Wir werden dieses Modell langsam reduzieren, indem wir die Effektzusammenfassungstabelle verwenden, indem wir einen Begriff nach dem anderen entfernen.
Beachten Sie, dass das kleinere, weniger komplizierte Modell im Validierungssatz besser abschneidet als das vollständige Modell!
Dies bedeutet, dass das kleinere Modell besser auf neue Daten generalisiert als das vollständige Modell.
