Scopri di più nel nostro corso online gratuito:
Pensiero statistico per la risoluzione dei problemi industriali
In questo video utilizziamo il Impurità esempio e adattare un modello per la risposta categoriale, Risultato , con i tre effetti principali continui, Temp , catalizzatore conc , e Tempo di reazione .
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 logistico ai dati di addestramento e valuteremo le prestazioni del modello sui dati di convalida.
Iniziamo selezionando Modello in forma dal Analizzare menù.
Selezioniamo Risultato come variabile Y.
Quindi selezioniamo Temp , catalizzatore conc , e Tempo di reazione come gli effetti del modello. La personalità predefinita è Logistica nominale e Categoria di destinazione è Fallire .
Infine, selezioniamo Convalida come variabile di convalida.
Il modello è adatto utilizzando solo i dati di addestramento.
Per vedere il tasso di errore complessivo, apriamo il profilo Dettagli adattamento.
Il tasso di classificazione errata per i dati di addestramento è del 3,3%, ma il tasso di classificazione errata per i dati di convalida di controllo è del 20%.
Diamo un'occhiata più da vicino alle classificazioni dei modelli.
Matrice di confusione è un'opzione sotto il triangolo rosso in alto.
Ci sono 40 osservazioni nei dati di convalida. Dieci di questi sono falliti.
Il modello ha classificato correttamente 7 su 10, ovvero il 70% dei fallimenti nel set di validazione. Ciò significa che ha classificato in modo errato o mancato il 30% dei fallimenti.
Possiamo migliorare il tasso di classificazione errata adattando un modello più complicato?
