Obtenga más información en nuestro curso en línea gratuito:
Pensamiento estadístico para la resolución de problemas industriales
En este ejemplo, ajustamos un modelo predictivo para Impureza usando Modelo de ajuste con todos los efectos principales y términos de interacción bidireccional.
Los datos se han dividido en datos de entrenamiento y validación. El 60 % de las observaciones se han asignado aleatoriamente al conjunto de entrenamiento y el 40 % de las observaciones se encuentran en el conjunto de validación.
Ajustaremos el modelo a los datos de entrenamiento y evaluaremos el rendimiento del modelo en los datos de validación.
Empezamos agregando Impureza como la variable Y.
Seleccionamos todas las variables predictoras. Luego, en Macros, seleccionamos Factorial a Grado . Esto agrega todos los efectos principales y las interacciones bidireccionales al modelo.
Finalmente, seleccionamos el Validación columna como la variable de validación.
Ejecutamos nuestro modelo, con efectos principales e interacciones bidireccionales.
Los parámetros se estiman usando solo las observaciones en el conjunto de entrenamiento. Las observaciones en el conjunto de validación tienen "v" como marcadores en Real por Predicho y otras gráficas, para distinguir estas observaciones de aquellas en el conjunto de entrenamiento.
Las medidas del rendimiento del modelo se informan en Crossvalidation.
RSquare para el conjunto de entrenamiento es mucho mayor que para el conjunto de validación. Y RASE, o error cuadrático promedio raíz, es mucho más bajo en el conjunto de entrenamiento que en el conjunto de validación. Esta es una buena indicación de que nuestro modelo está sobreajustado.
Reduciremos lentamente este modelo utilizando la tabla Resumen de efectos, eliminando un término a la vez.
¡Observe que el modelo más pequeño y menos complicado funciona mejor en el conjunto de validación que el modelo completo!
Esto significa que el modelo más pequeño generaliza mejor los datos nuevos que el modelo completo.
