缺少真正的效果是不好的，但识别错误的效果可能更糟罗伯特·安德森 JMP 高级系统工程师
科学家和工程师需要能够为其过程或产品找到最佳模型，并正确识别哪些因素真正重要，哪些因素不重要。 通常最担心的是会遗漏一个重要或至关重要的因素。 然而，一个更隐蔽且可能更糟糕的问题是统计建模方法经常识别具有统计显着性但并非真正活跃的因素。 这些非真实效应的识别导致宝贵的科学和工程资源被浪费在对这些虚假效应的进一步调查上。 在识别有缺陷的模型和非真实效果之前，可能需要花费大量时间和资源。 JMP Pro 中的 holdback 验证方法提供了一种强大的方法来抑制此模型过度拟合问题，即使数据集相对较小也是如此。 使用模拟数据集，本文将演示检测非真实效果问题发生的频率和容易程度，以及阻止验证如何有效抑制此问题。 然而，阻止验证并不是灵丹妙药，还将展示一些它何时无法正常工作的示例。
预测建模
