En travaillant avec les ensembles de données attachés, vous apprendrez à créer des modèles meilleurs et plus utiles avec des techniques de modélisation prédictive telles que la régression, les réseaux de neurones et les arbres de décision. L'objectif sera de tirer le meilleur parti de JMP avec quelques exemples où JMP PRO est capable de fournir une valeur supplémentaire. Vous apprendrez à partitionner vos données en ensembles de formation, de validation (réglage) et de test pour éviter un ajustement excessif. Et vous verrez comment utiliser les techniques de comparaison - en particulier parcelles de valeurs réelles ou prédites par groupe de validation - pour trouver le meilleur modèle prédictif. Ce webcast s'adresse aux utilisateurs JMP souhaitant découvrir comment la modélisation prédictive peut les aider à utiliser les données dont ils disposent pour faire de meilleures prédictions.
Les données de réponse comprendront des réponses binaires (réussite / échec, acceptation / rejet, réussite / échec, etc.), des réponses continues (y compris des proportions comprises entre 0 et 1) et des réponses catégoriques (différents types de cyberattaques). Les variables indépendantes comprendront des types continus et / ou catégoriels.
Les webémissions associées de la série Mastering JMP comprennent:
- Modélisation prédictive par Malcolm Moore
- Modélisation avancée à l'aide de JMP Pro par Sam Gardner
- Exploration de données et modélisation prédictive par Sam Gardner
- Modélisation prédictive à l'aide des réseaux de neurones JMP 9 par Sam Gardner
Les bons ouvrages de référence dans ce domaine comprennent:
Principes de base de l'analyse prédictive avec JMP , par Klimberg et McCullough - tous les exemples ont fonctionné avec JMP
Les éléments de l'apprentissage statistique par Hastie, Tibshirani et Friedman - faisant autorité, mathématiquement plus profond
Les liens ci-dessus mèneront aux ensembles de données associés aux livres.
Vous trouverez ci-dessous la matrice de nuage de points réelle ou prévue d'une réponse binaire par rapport à la prédiction binaire pour six modèles.
Vous trouverez ci-dessous un profileur de prédiction pour la même réponse pour trois types de modèles différents avec 6 facteurs explicatifs.
Ci-dessous est réel vs. Tracé prédit dans Graph Builder par groupe de validation pour un modèle de partition.
