Baumbasierte Methoden für das Predictor Screening und die Modellierung verstehen und anwenden
Sehen Sie, wie man:
- Modell mit Partition, Bootstrap Forests und Boosted Tree
- Vor- und Nachteile von Entscheidungsbäumen verstehen
- Vorteile: Entdecken Sie nichtlineare Beziehungen, erhalten Sie leicht verständliche Ergebnisse und überprüfen Sie eine Vielzahl von Faktoren
- Nachteile: Behandeln Sie jeweils eine Antwort, bilden Sie eine Wenn-Dann-Aussage, keine mathematische Formel. Eine hohe Variabilität kann zu großen Unterschieden in einem Modell für ähnliche Daten führen
- Erstellen Sie einen Klassifizierungsbaum für JMP-Partitionen, in dem mithilfe der Aufteilung die Beziehung zwischen den Prädiktoren und den kategorialen Antworten definiert wird
- Definieren Sie die Anzahl der Stichproben, die Größe der Bäume (Modelle) und die Stichprobenrate, um Bootstrap Forest-Modelle mithilfe einer Random-Forest-Technik zu erstellen
- Definieren Sie die Anzahl der Ebenen, Teilungen pro Baum, Lernrate und Abtastrate, um Boosted Tree-Modelle zu erstellen, die kleinere Modelle zu einem endgültigen Modell kombinieren
- Interpretieren Sie die Ergebnisse und optimieren Sie die Modelle
- Geben Sie Gewinnmatrixberichte an und führen Sie sie aus, um Fehlklassifizierungen für kategoriale Antworten zu identifizieren und die Ergebnisse mithilfe der Verwirrungsmatrix und der Entscheidungsmatrix zu interpretieren
Hinweis: Fragen und Antworten sind zum Zeitpunkt 17:00 und zum Zeitpunkt 38:00 enthalten
31+ minFortgeschritteneJMP beherrschenPredictive AnalyticsVideo
