Scopri di più nel nostro corso online gratuito:
Pensiero statistico per la risoluzione dei problemi industriali
In questo video usiamo il Produzione chimica esempio e adattare un albero di regressione per la risposta continua, Prodotto . Usiamo JMP Pro per questa demo.
La resa accettabile per questo processo è dell'80%.
I dati sono stati suddivisi in dati di addestramento e convalida. Il 60% delle osservazioni è stato assegnato in modo casuale al set di addestramento e il 40% delle osservazioni si trova nel set di convalida.
Adatteremo l'albero di regressione ai dati di addestramento e determineremo quando interrompere la crescita dell'albero utilizzando i dati di convalida.
Per fare ciò, selezioniamo Predictive Modeling dal menu Analyze, quindi Partition. Selezioniamo Prodotto come variabile Y, Risposta e selezionare i due gruppi di predittori come X, Fattori.
Esistono diverse opzioni per l'utilizzo della convalida del modello in JMP Pro. Un metodo consiste nello specificare una parte di controllo. Ad esempio, possiamo conservare il 40% dei dati fuori dal modello da utilizzare per .
Invece, useremo la colonna di convalida. Trasciniamo questa colonna nel Ruolo di convalida e facciamo clic su OK.
Poiché stiamo utilizzando la convalida, JMP fornisce un pulsante Vai. Faremo clic su questo pulsante per costruire automaticamente l'albero e quindi potarlo nuovamente.
L'albero è un po' grande, quindi lo spegniamo. Per fare ciò, usiamo il triangolo rosso in alto, Opzioni di visualizzazione, e deselezioniamo Mostra albero.
Il modello finale ha sette divisioni.
Puoi vedere la cronologia divisa in basso. Questo è un piccolo set di dati, quindi sono possibili solo otto divisioni. Il modello è stato ridotto a sette divisioni. Questo è il modello con il valore massimo RSquare nel set di convalida.
RSquare e RMSE sono entrambi migliori per i dati di addestramento, che sono stati utilizzati per costruire il modello. Ciò significa che il il modello si adatta meglio ai dati di addestramento di quanto non si adatti ai dati di convalida.
Per vedere questo, selezioneremo Plot Actual by Predicted Plot dal triangolo rosso in alto. Si noti che i punti dati sono molto più strettamente raggruppati per il set di addestramento rispetto al set di convalida.
Questo grafico ti dice che ci sono ancora molte variazioni inspiegabili nei dati.
Vediamo quali variabili sono coinvolte in questo modello. Per fare ciò, selezioniamo Colonna Contributi dal triangolo rosso in alto. Solo cinque delle variabili sono coinvolte nel modello.
Infine, diamo un'occhiata al rapporto Leaf. Selezioneremo questa opzione dal triangolo rosso in alto. Ricorda che la resa accettabile per questo processo è dell'80%. Il rendimento massimo previsto è 87,3.
Dato l'attuale processo, le norme forniscono alcune indicazioni su come ottenere rendimenti più elevati.
