模型構建培訓11.10.2020 模型搭建培訓
主持人：凱末爾·奧弗盧斯
觀看錄音| PPT
什麼是統計模型？
統計模型用於量化一個或多個因素（輸入，X）和響應（輸出，Y）之間的關係。 您的建模目標可能是解釋或預測。 統計模型可以幫助您：
- 確定最重要的因素（解釋）
- 了解響應如何隨因素變化（解釋）
- 量化解釋因素及其相互作用的響應的可變性。 （解釋）
- 預測未來的結果（預測）
什麼是模型過擬合？
一個過擬合模型是一個統計模型這比它需要的更複雜.過度擬合是對數據中的噪聲進行建模，而不是對因素之間的真實關係進行建模。過度擬合的後果：您的模型不能很好地預測，並且可能過於信任不可靠的預測或結果……導致成本增加、浪費、錯過最後期限等。
什麼時候應該使用統計建模？
- 您花費大量時間處理意料之外的問題。
- 您解決問題的努力會產生不可預測的回報——同樣的問題或相關問題會再次發生。
- 你覺得你沒有完整的畫面，不得不根據不完整的信息做出決定。
- 您在對產品和流程的工作方式了解有限的情況下轉移產品和流程。
- 您感覺陷入了一個惡性循環，管理現有問題或流程會限制您進行優化、創新和新開發的時間。
統計建模有什麼好處？
- 減少學習週期的數量。
- 減少解決問題的總時間。
- 提高改進和解決問題活動的可預測性。
- 增加有用的理解（從您的數據中創建不完整的知識/決策可能會導致錯誤的解決方案）
- 在規定的時間範圍內做出可持續的決定。
- 將更完整的流程知識傳遞給上游同事。
- 增加新項目的可用時間以增加未來的機會，因為同樣的問題不太可能再次（一次又一次地）解決。
最常見的模型類型有哪些？
|
| 類型 |
它能做什麼 |
幫助用戶 |
| 多元線性回歸 |
- 根據多個預測變量/因子的值預測平均響應值。
- 建模類型是連續的（例如：花費的美元）
|
- 識別和優化對質量特性的關鍵，目標是開發低成本和高質量的產品
- 根據人口統計信息和歷史購買模式預測客戶支出
- 根據產品組合和消費者特徵制定定價策略
- 根據實驗結果預測未來行為
- 預測產量
|
| 邏輯回歸 |
- 對事件發生的概率進行建模。
- 建模類型是分類的
- 標稱 - 通過/失敗
- 多項式 - 紅色、藍綠色
- 序數 - 小，中，大
- 常用，因為您沒有連續響應數據
|
- 識別潛在的欺詐行為
- 確定裝配線中缺陷項目的原因
- 了解員工飛行風險背後的原因
- 確定客戶在網站上購買的可能性
- 通過/失敗質量檢查
|
決策樹
（網絡廣播）
|
|
|
神經網絡
（網絡廣播）
|
|
|
JMP 中的模型構建
|
價值聲明： JMP 用戶通過使用經過驗證的簡單統計建模方法從現有數據中提取強大的洞察力，在第一時間（並且在更短的時間內）正確地解決了更多的科學、工程和業務問題，而無需強大的統計背景，無需使用多個平台或產品。
|
| JMP 中的建模選項 |
在 JMP 中建模的發現問題 |
與建模結合使用：
|
你想用你的數據解決什麼問題？
您是否面臨無法通過求助於專家判斷、簡單的電子表格分析或一次只改變一件事來解決的挑戰？
您是否被迫定期根據不完整的數據或信息做出決策，從而限制了您對穩健、有效和高效流程的真正驅動因素的理解？
您的痛點是什麼？這需要花費多少（時間和金錢）？ 出錯的代價是什麼？
您目前使用多少工具來分析數據？
您多久分析一次數據？
- 您是否必須定期重新運行分析？
- 解決現有流程問題的需要是否會限制您用於創新和開發新流程和產品的時間
- 對流程有很好的了解對您來說有多重要？
|
| JMP Pro 中的模型構建 |
價值聲明：JMP Pro 通過提供最相關的統計工具集合來分析數據，使我們的用戶能夠通過易於使用的界面探索和理解數據，而不會被選擇所淹沒，也無需編程。 JMP Pro 提供的是時間和信心。 添加的模型篩選 (JMP 16)和公式庫允許建模者留在單個工具包中，並且非常快速地做一些事情，這通常需要大量的努力。 驗證帶來信心。
|
| JMP Pro 中的建模選項 |
合格的問題，看看他們是否是好的專業候選人
|
|
- 問任何技術問題。 示例：您現在從模型中得到了什麼樣的 R 方？
- 如果他們說 0.99，您知道 JMP Pro 可能不如說 0.30 的人那麼有影響力。
- 你使用交叉驗證還是逐步回歸？
- 在 Pro 中，您可以使用交叉驗證來防止模型過度擬合，這對 JMP Pro 來說是一個巨大的優勢。 如果他們了解交叉驗證或逐步回歸，這通常是一個好兆頭，他們就是 Pro 候選人。
|
更多建模資源分享：
訓練
