nav[aria-label="Primary Navigation"] { padding: 0; & ul { list-style: none; width: 100%; display: flex; flex-direction: row; justify-content: start; align-items: start; gap: 30px; padding: 0; & li { margin: 0; } & ul li { list-style: none; } } }

310425_zh-TW

liliconcom · 2020-09-21T20:00:43+00:00

數據挖掘和預測建模了解如何： * * 了解窗戶製造案例研究的目標：確定可減少破損的設置 * 使用分佈來檢查破損率與其他變量之間的關係 * 使用以X擬合Y可以在破損率和變量之間進行簡單的統計比較* 使用“擬合組”發現關係，擬合一條線以查看2個連續變量之間的關係，然後執行1方差分析（ANOVA）來檢查分類響應和連續響應之間的關係。 * 使用Graph Builder通過擬合不同種類的回歸線（二次方，三次方）來檢查變量之間的關係，然後比較R平方值以了解解釋了多少可變性 * 使用Prediction Profiler交互更改因子設置，檢查更改與其他因子的關係並確定哪些因子對響應的影響最大* 建立響應面模型以檢查主要影響，兩要素相互作用和立方關係…

liliconcom

數據挖掘和預測建模

了解如何：

- 了解窗戶製造案例研究的目標：確定可減少破損的設置
- 使用分佈來檢查破損率與其他變量之間的關係
- 使用以X擬合Y可以在破損率和變量之間進行簡單的統計比較
  - 使用“擬合組”發現關係，擬合一條線以查看2個連續變量之間的關係，然後執行1方差分析（ANOVA）來檢查分類響應和連續響應之間的關係。
- 使用Graph Builder通過擬合不同種類的回歸線（二次方，三次方）來檢查變量之間的關係，然後比較R平方值以了解解釋了多少可變性
- 使用Prediction Profiler交互更改因子設置，檢查更改與其他因子的關係並確定哪些因子對響應的影響最大
  - 建立響應面模型以檢查主要影響，兩要素相互作用和立方關係
  - 使用逐步回歸標準最小二乘法交互式地添加和刪除術語以找到最佳模型
  - 將模型預測公式保存到數據表
- 使用分區來建立和比較線性模型
- 使用JMP Pro和交叉驗證來構建，比較和定位最佳預測模型
  - 將數據分為3組：訓練組估計模型參數，驗證組通過添加術語而變好或變壞來評估模型的預測能力，測試集被排除在模型構建之外，並最終，獨立地評估模型的預測能力
  - 使用廣義回歸創建模型
  - 交互式創建用於交叉驗證的“驗證”列，以避免模型過度擬合（高估預測能力）
  - 使用引導森林和增強樹（決策樹）
  - 用2層和足夠多的節點來構建神經網絡模型以描述關係
    - 檢查圖以查看輸入和節點之間的連接
  - 使用JMP Pro比較模型並發現潛在的過度擬合
  - 使用JMP Pro將候選模型和描述它們的公式保存到Formula Depot中，以進行進一步的模型剖析和比較，並創建評分代碼，以在C，Python，JavaScript，SAS或SQL非JMP環境中運行模型
注意：問答時間包含在24：56、25：58和44:36。

資源資源

數據挖掘技術：用於營銷，銷售和客戶關係管理邁克爾·傑·貝瑞（Michael JA Berry）和戈登·S·利諾夫（Gordon S.
參數估計的計算，包括VIFjason假髮
JMP專業版廣義回歸信息。使用文檔頁面上的NEXT按鈕順序閱讀。
視頻開使用神經網絡模型發現和預測模式

31+分鐘

基本的

掌握JMP

預測分析

視頻

Comments

There are no comments yet