Comprendre et appliquer des méthodes basées sur des arbres pour le criblage et la modélisation des prédicteurs
Voyez comment:
- Modéliser en utilisant la partition, les forêts bootstrap et l'arbre boosté
- Comprendre les avantages et les inconvénients des arbres de décision
- Avantages: découvrez des relations non linéaires, obtenez des résultats faciles à comprendre, examinez un grand nombre de facteurs
- Inconvénients: gérer une réponse à la fois, former une déclaration si-alors et non une formule mathématique, une forte variabilité peut entraîner des différences majeures dans un modèle pour des données similaires
- Créer une arborescence de classification de partition JMP qui utilise le fractionnement pour définir la relation entre les prédicteurs et les réponses catégorielles
- Définir le nombre d'échantillons, la taille des arbres (modèles) et la fréquence d'échantillonnage pour construire des modèles Bootstrap Forest en utilisant une technique de forêt aléatoire
- Définissez le nombre de couches, les divisions par arbre, le taux d'apprentissage et les taux d'échantillonnage pour créer des modèles d'arbre optimisé qui combinent des modèles plus petits en un modèle final
- Interpréter les résultats et ajuster les modèles
- Spécifiez et exécutez des rapports Profit Matrix pour identifier les erreurs de classification des réponses catégorielles et interpréter les résultats à l'aide de la matrice de confusion et de la matrice de décision
Remarque: Questions et réponses incluses à 17h00 et à 38h00
31+ minAvancéeMaîtriser JMPAnalyses prédictivesVidéo
