Transformer les données pour faire de meilleures prévisions
Découvrez comment :
- Comprendre pourquoi les transformations stabilisent la variance, rendent l'erreur plus uniforme dans la région de conception, remédient au manque d'ajustement et tracent les prédictions d'une manière qui ne viole pas les limites physiques, affichent des décomptes négatifs ou signalent par erreur des rendements supérieurs à 100 %
- Transformez les données à la volée à l'aide de Graph Builder et modifiez les échelles pour améliorer la lisibilité et l'interprétabilité des graphiques.
- Utilisez la transformation racine carrée pour éliminer les valeurs négatives et examinez comment l'utilisation de la transformation de puissance Box-Cox sur la réponse pourrait modifier l'ajustement.
- Ne comparer aucune transformation, transformation logarithmique avec prédiction en unités brutes et transformation logarithmique avec prédiction en unités logarithmiques
- Utilisez la transformation racine carrée pour créer des effets de modèle à l'aide de la macro Polynôme au degré 2, identifiez la meilleure transformation, utilisez la transformation sélectionnée, enregistrez les résidus dans le tableau de données et évaluez les résultats à l'aide de distributions.
- Découvrez comment la transformation de la racine carrée peut afficher une répartition des comptes plus uniforme et une relation plus linéaire
Why Transforrmations Can Be UsefulWhy Transforrmations Can Be UsefulPourquoi les transformations peuvent être utiles
Modélisation prédictive et apprentissage automatiqueRe : Transformer les données pour faire de meilleures prévisionsSuperbe présentation !Merci beaucoup d'avoir pris le temps de partager avec nous tous.
Re : Transformer les données pour faire de meilleures prévisionsPrésentation super utile et claire.
