Durch die Arbeit mit den angehängten Datensätzen lernen Sie, bessere und nützlichere Modelle mit prädiktiven Modellierungstechniken wie Regression, neuronalen Netzen und Entscheidungsbäumen zu erstellen. Der Fokus wird darauf liegen, das Beste aus JMP herauszuholen. Einige Beispiele zeigen, wie JMP PRO zusätzlichen Wert liefern kann. Sie lernen, Ihre Daten in Trainings-, Validierungs- (Tuning-) und Testsätze zu unterteilen, um eine Überanpassung zu vermeiden. Und Sie werden sehen, wie Sie Vergleichstechniken verwenden - insbesondere Grundstücke von tatsächliche vs. vorhergesagte Werte nach Validierungsgruppe - um das beste Vorhersagemodell zu finden. Dieser Webcast richtet sich an JMP-Benutzer, die erfahren möchten, wie Vorhersagemodelle ihnen helfen können, die Daten zu verwenden, die sie für bessere Vorhersagen benötigen.
Zu den Antwortdaten gehören binäre Antworten (Bestanden / Nicht Bestanden, Akzeptieren / Ablehnen, Treffer / Verpassen usw.), kontinuierliche Antworten (einschließlich Proportionen zwischen 0 und 1) und kategoriale Antworten (verschiedene Arten von Cyberangriffen). Unabhängige Variablen umfassen kontinuierliche und / oder kategoriale Typen.
Verwandte Webcasts aus der Mastering JMP-Serie umfassen:
- Vorausschauende Modellierung von Malcolm Moore
- Erweiterte Modellierung mit JMP Pro von Sam Gardner
- Data Mining und prädiktive Modellierung von Sam Gardner
- Vorhersagemodellierung mit neuronalen JMP 9-Netzen von Sam Gardner
Gute Nachschlagewerke in diesem Bereich sind:
Grundlagen der Predictive Analytics mit JMP , von Klimberg und McCullough - alle Beispiele arbeiteten mit JMP
Die Elemente des statistischen Lernens von Hastie, Tibshirani und Friedman - maßgebend, mathematisch tiefer
Die obigen Links führen zu den Datensätzen, die den Büchern zugeordnet sind.
Unten ist die tatsächliche gegenüber der vorhergesagten Streudiagrammmatrix einer binären Antwort gegenüber der binären Vorhersage für sechs Modelle aufgeführt.
Unten finden Sie einen Vorhersageprofiler für dieselbe Antwort für drei verschiedene Modelltypen mit 6 erklärenden Faktoren.
Unten ist Ist vs. Voraussichtliches Diagramm in Graph Builder nach Validierungsgruppe für ein Partitionsmodell.
