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-CN

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

数据挖掘和预测建模了解如何： * * 了解窗户制造案例研究的目标：确定可减少破损的设置 * 使用分布来检查破损率与其他变量之间的关系 * 使用以X拟合Y可以在破损率和变量之间进行简单的统计比较* 使用“拟合组”发现关系，拟合一条线以查看2个连续变量之间的关系，然后执行1方差分析（ANOVA）来检查分类响应和连续响应之间的关系。 * 使用Graph Builder通过拟合不同种类的回归线（二次方，三次方）来检查变量之间的关系，然后比较R平方值以了解解释了多少可变性 * 使用Prediction Profiler交互更改因子设置，检查更改与其他因子的关系并确定哪些因子对响应的影响最大* 建立响应面模型以检查主要影响，两要素相互作用和立方关系…

liliconcom

数据挖掘和预测建模

了解如何：

- 了解窗户制造案例研究的目标：确定可减少破损的设置
- 使用分布来检查破损率与其他变量之间的关系
- 使用以X拟合Y可以在破损率和变量之间进行简单的统计比较
  - 使用“拟合组”发现关系，拟合一条线以查看2个连续变量之间的关系，然后执行1方差分析（ANOVA）来检查分类响应和连续响应之间的关系。
- 使用Graph Builder通过拟合不同种类的回归线（二次方，三次方）来检查变量之间的关系，然后比较R平方值以了解解释了多少可变性
- 使用Prediction Profiler交互更改因子设置，检查更改与其他因子的关系并确定哪些因子对响应的影响最大
  - 建立响应面模型以检查主要影响，两要素相互作用和立方关系
  - 使用逐步回归标准最小二乘法交互式地添加和删除术语以找到最佳模型
  - 将模型预测公式保存到数据表
- 使用分区来建立和比较线性模型
- 使用JMP Pro和交叉验证来构建，比较和定位最佳预测模型
  - 将数据分为3组：训练组估计模型参数，验证组通过添加术语而变好或变坏来评估模型的预测能力，测试集被排除在模型构建之外，并最终，独立地评估模型的预测能力
  - 使用广义回归创建模型
  - 交互式创建用于交叉验证的“验证”列，以避免模型过度拟合（高估预测能力）
  - 使用引导森林和增强树（决策树）
  - 用2层和足够多的节点来构建神经网络模型以描述关系
    - 检查图以查看输入和节点之间的连接
  - 使用JMP Pro比较模型并发现潜在的过度拟合
  - 使用JMP Pro将候选模型和描述它们的公式保存到Formula Depot中，以进行进一步的模型剖析和比较，并创建评分代码，以在C，Python，JavaScript，SAS或SQL非JMP环境中运行模型
注意：问答时间包含在24：56、25：58和44:36。

资源资源

数据挖掘技术：用于营销，销售和客户关系管理迈克尔·杰·贝瑞（Michael JA Berry）和戈登·S·利诺夫（Gordon S.
参数估计的计算，包括VIFjason假发
JMP专业版广义回归信息。使用文档页面上的NEXT按钮顺序阅读。
视频开使用神经网络模型发现和预测模式

31+分钟

基本的

掌握JMP

预测分析

视频

Comments

There are no comments yet