Comprensión y aplicación de métodos basados en árboles para la detección y el modelado de predictores
Vea cómo:
- Modele usando partición, Bootstrap Forests y Boosted Tree
- Comprender los pros y los contras de los árboles de decisión
- Ventajas: descubra relaciones no lineales, obtenga resultados fáciles de entender, analice una gran cantidad de factores
- Contras: Maneja una respuesta a la vez, forma una declaración si-entonces no una fórmula matemática, la alta variabilidad puede conducir a grandes diferencias en un modelo para datos similares
- Cree un árbol de clasificación de particiones JMP que utilice la división para definir la relación entre los predictores y las respuestas categóricas
- Defina el número de muestras, el tamaño de los árboles (modelos) y la frecuencia de muestreo para crear modelos de Bootstrap Forest utilizando una técnica de bosque aleatorio
- Defina el número de capas, divisiones por árbol, tasa de aprendizaje y tasas de muestreo para construir modelos Boosted Tree que combinan modelos más pequeños en un modelo final
- Interpretar resultados y ajustar modelos
- Especifique y ejecute informes de Profit Matrix para identificar clasificaciones erróneas para respuestas categóricas e interprete los resultados utilizando Confusion Matrix y Decision Matrix
Nota: Preguntas y respuestas incluidas a las 17:00 y a las 38:00
31+ minAvanzadoDominar JMPAnálisis predictivoVídeo
