파티셔닝에서 예측 프로파일 러 그래프를 해석하는 방법이 이미지는 분할 모델링 연습에서 3 개의 x- 변수 수준에 대한 예측 확률을 보여줍니다.x 축은 세 가지 유형의 사람입니다. y 축은 사람들이 선택할 수있는 40 개의 개체 옵션입니다 (단일 선택 만 해당).내 의도는 각 사람 유형을 나타 내기 위해 가장 큰 예측 확률 (원형)을 가진 개체를 갖는 것입니다.
질문 : 각 x를 가로 지르는 개별 개체 선의 모양이있는 경우 의미는 무엇입니까? ( 프로파일 러 매뉴얼에서 단서를 찾을 수 없습니다.)
해석학제도법다른Re : 파티셔닝에서 예측 프로파일 러 그래프를 해석하는 방법확률은 1이됩니다. 인접한 선 간의 차이는 주어진 수준에 대한 예측 확률입니다. F1의 첫 번째 수준과 세 번째 수준은 축 위쪽에있는 항목의 확률이 더 높은 것으로 보입니다. F1의 두 번째 수준은 축 모델의 항목에 대한 확률이 더 높은 것으로 보입니다. 모든 수준의 F1은 축 아래쪽에있는 항목에 대한 확률이 작습니다.
F1, F2 또는 F3 중 첫 번째 수준이 아닌 수준을 선택하면 전체 모양이 변경 될 수 있습니다. 이러한 종류의 변화는 예측 변수간에 상호 작용이 있음을 나타냅니다.
Re : 파티셔닝에서 예측 프로파일 러 그래프를 해석하는 방법표,
각 F 수준 (F1, F2, F3)에 대해 예측 확률의 합이 1.0이라는 것을 이해합니다.
또한 각 F 레벨에서 각 선 (예 : 반전 된 V 모양)을 추적 할 때 내가 선택한 F 설정에서 해당 y- 객체 (예 : Shade 31)에 대한 확률이 주어집니다.
내가 의문을 제기하는 것은 예를 들어 예측 확률이 F1, F2, F3에서 각각 .132, .055, .113 일 때 Shade 31의 반전 된 V 모양 인 이유입니다.모양은 뭔가를 의미해야합니다. 당신이 지적하는 더 높은 확률 영역의 위치 (그래프의 상단, 중간, 하단)와는 상관 관계가없는 것 같습니다.
