310425_fr-FR

liliconcom

Exploration de données et modélisation prédictive

 

 

Voyez comment:

• • Comprendre l'objectif d'une étude de cas de fabrication de fenêtres: déterminer les paramètres qui réduiront la casse
  • Utilisez Distribution pour examiner la relation entre le taux de rupture et d'autres variables
  • Utilisez Ajuster Y par X pour faire des comparaisons statistiques simples entre le taux de rupture et les variables
    • Découvrez les relations en utilisant Fit Group, en ajustant une ligne pour voir la relation entre 2 variables continues et en effectuant une analyse de variance unidirectionnelle (ANOVA) pour examiner la relation entre les réponses catégoriques et continues.
  • Utilisez le générateur de graphes pour examiner la relation des variables en ajustant différents types de droites de régression (quadratiques, cubiques), puis en comparant les valeurs R au carré pour voir dans quelle mesure la variabilité est expliquée
  • Utilisez Prediction Profiler pour modifier de manière interactive les paramètres de facteur, examiner les relations entre les changements et d'autres facteurs et déterminer les facteurs qui ont le plus d'impact sur la réponse
    • Construire un modèle de surface de réponse pour examiner les principaux effets, les interactions à 2 facteurs et les relations cubiques
    • Utilisez les moindres carrés standard de régression pas à pas pour ajouter et supprimer des termes de manière interactive afin de trouver le meilleur modèle
    • Enregistrer la formule de prédiction du modèle dans la table de données
  • Utilisez la partition pour créer et comparer des modèles linéaires
  • Utilisez JMP Pro et la validation croisée pour créer, comparer et localiser le meilleur modèle prédictif
    
    • Segmentez les données en 3 ensembles: l'ensemble de formation estime les paramètres du modèle, l'ensemble de validation évalue la capacité prédictive du modèle en obtenant le meilleur ou le pire au fur et à mesure que les termes sont ajoutés, l'ensemble de test est laissé en dehors de la construction du modèle et donne l'évaluation finale et indépendante de la capacité de prédiction du modèle
    • Utiliser la régression généralisée pour créer un modèle
    • Créez de manière interactive une colonne de validation pour la validation croisée afin d'éviter de surappliquer le modèle (surestimation de la capacité prédictive)
    • Utiliser la forêt Bootstrap et les arbres boostés (arbres de décision)
    • Construisez un modèle de réseau neuronal avec 2 couches et suffisamment de nœuds pour décrire la relation
      • Examinez le diagramme pour voir les connexions entre les entrées et les nœuds
    • Utilisez JMP Pro pour comparer des modèles et découvrir un sur-ajustement potentiel
    • Utilisez JMP Pro pour enregistrer les modèles candidats et les formules les décrivant dans Formula Depot pour un profilage et une comparaison supplémentaires des modèles et créer du code de scoring pour exécuter des modèles dans des environnements C, Python, JavaScript, SAS ou SQL non JMP

   

• Remarque: les questions-réponses sont incluses aux heures 24 h 56, 25 h 58 et 44 h 36.

Ressources

• Techniques d'exploration de données: pour le marketing, les ventes et la gestion de la relation client par Michael JA Berry et Gordon S. Linoff

• Calculs pour les estimations de paramètres , y compris la perruque VIFjason

• JMP Pro Régression généralisée information. Utilisez le bouton SUIVANT sur les pages de documentation pour lire en séquence.

• Vidéo sur Découverte et prédiction de modèles à l'aide de modèles de réseau neuronal

31+ minDe baseMaîtriser JMPAnalyses prédictivesVidéo