310425_de-DE

liliconcom

Data Mining und prädiktive Modellierung

 

 

Sehen Sie, wie man:

• • Verstehen Sie das Ziel einer Fallstudie zur Fensterherstellung: Festlegen von Einstellungen, die den Bruch reduzieren
  • Verwenden Sie die Verteilung, um die Beziehung zwischen der Bruchrate und anderen Variablen zu untersuchen
  • Verwenden Sie Fit Y by X, um einfache statistische Vergleiche zwischen Bruchrate und Variablen durchzuführen
    • Decken Sie Beziehungen mithilfe der Anpassungsgruppe auf, passen Sie eine Linie an, um die Beziehung zwischen zwei kontinuierlichen Variablen anzuzeigen, und führen Sie eine Einweg-Varianzanalyse (ANOVA) durch, um die Beziehung zwischen kategorialen und kontinuierlichen Antworten zu untersuchen.
  • Verwenden Sie den Graph Builder, um die Beziehung von Variablen zu untersuchen, indem Sie verschiedene Arten von Regressionslinien (quadratisch, kubisch) anpassen und dann die R-Quadrat-Werte vergleichen, um festzustellen, wie viel von der Variabilität erklärt wird
  • Verwenden Sie den Vorhersageprofiler, um die Faktoreinstellungen interaktiv zu ändern, die Beziehung von Änderungen zu anderen Faktoren zu untersuchen und festzustellen, welche Faktoren die Reaktion am meisten beeinflussen
    • Erstellen Sie ein Antwortoberflächenmodell, um Haupteffekte, 2-Faktor-Wechselwirkungen und kubische Beziehungen zu untersuchen
    • Verwenden Sie die kleinsten Quadrate der schrittweisen Regression, um interaktiv Begriffe hinzuzufügen und zu entfernen, um das beste Modell zu finden
    • Speichern Sie die Modellvorhersageformel in der Datentabelle
  • Verwenden Sie Partition, um lineare Modelle zu erstellen und zu vergleichen
  • Verwenden Sie JMP Pro und Kreuzvalidierung, um das beste Vorhersagemodell zu erstellen, zu vergleichen und zu lokalisieren
    
    • Segmentieren Sie die Daten in drei Sätze: Der Trainingssatz schätzt die Modellparameter, der Validierungssatz bewertet die Vorhersagefähigkeit des Modells, indem er beim Hinzufügen von Begriffen am besten oder am schlechtesten wird. Der Testsatz wird bei der Modellbildung nicht berücksichtigt und bietet die endgültige, unabhängige Bewertung der Vorhersagefähigkeit des Modells
    • Verwenden Sie die allgemeine Regression, um ein Modell zu erstellen
    • Erstellen Sie interaktiv eine Validierungsspalte für die Kreuzvalidierung, um eine Überanpassung des Modells zu vermeiden (Überschätzung der Vorhersagefähigkeit).
    • Verwenden Sie Bootstrap Forest und Boosted Trees (Entscheidungsbäume).
    • Erstellen Sie ein neuronales Netzwerkmodell mit 2 Schichten und genügend Knoten, um die Beziehung zu beschreiben
      • Untersuchen Sie das Diagramm, um Verbindungen zwischen Eingängen und Knoten zu sehen
    • Verwenden Sie JMP Pro, um Modelle zu vergleichen und mögliche Überanpassungen aufzudecken
    • Verwenden Sie JMP Pro, um Kandidatenmodelle und die sie beschreibenden Formeln in Formula Depot zu speichern, um weitere Modellprofile zu erstellen, zu vergleichen und Bewertungscode zu erstellen, um Modelle in C-, Python-, JavaScript-, SAS- oder SQL-Nicht-JMP-Umgebungen auszuführen

   

• Hinweis: Fragen und Antworten sind zu den Zeiten 24:56, 25:58 und 44:36 enthalten.

Ressourcen

• Data Mining-Techniken: Für Marketing, Vertrieb und Kundenbeziehungsmanagement von Michael JA Berry und Gordon S. Linoff

• Berechnungen für Parameterschätzungen , einschließlich VIFjason Perücke

• JMP Pro Generalisierte Regression Information. Verwenden Sie die Schaltfläche WEITER auf den Dokumentationsseiten, um nacheinander zu lesen.

• Video an Erkennen und Vorhersagen von Mustern mithilfe neuronaler Netzwerkmodelle

31+ minBasicJMP beherrschenPredictive AnalyticsVideo