在我们的免费在线课程中了解更多信息：
解决工业问题的统计思维
在本视频中，我们使用化学制造示例并为连续响应拟合回归树，屈服. 我们在此演示中使用 JMP Pro。
该过程可接受的收率为 80%。
数据已分为训练数据和验证数据。 60% 的观察值被随机分配到训练集中，40% 的观察值在验证集中。
我们将使回归树适合训练数据，并使用验证数据确定何时停止树生长。
为此，我们从 Analyze 菜单中选择 Predictive Modeling，然后选择 Partition。 我们选择屈服作为 Y，响应变量，并选择两组预测变量作为 X，因子。
在 JMP Pro 中使用模型验证有不同的选项。 一种方法是指定保留部分。 例如，我们可以将 40% 的数据保留在模型之外以用于 .
相反，我们将使用验证列。 我们将此列拖到 Validation 角色中，然后单击确定。
因为我们正在使用验证，所以 JMP 提供了一个 Go 按钮。 我们将单击此按钮自动构建树，然后将其修剪回来。
这棵树有点大，所以我们将其关闭。 为此，我们使用顶部的红色小三角、显示选项，并取消选择显示树。
最终模型有七个拆分。
您可以在底部看到拆分历史记录。 这是一个小数据集，因此只有八个拆分是可能的。 该模型被修剪回七个分裂。 这是在验证集上具有最大 R 方值的模型。
R 方和 RMSE 都更适合用于构建模型的训练数据。 这意味着这模型对训练数据的拟合优于对验证数据的拟合。
要看到这一点，我们将从顶部的红色三角形中选择 Plot Actual by Predicted Plot。 请注意，与验证集中的数据点相比，训练集中的数据点聚集得更紧密。
该图告诉您数据中仍然存在许多无法解释的变化。
让我们看看这个模型中涉及哪些变量。 为此，我们从顶部的红色三角形中选择 Column Contributions。 模型中仅涉及五个变量。
最后我们来看一下Leaf的报告。 我们将从顶部的红色三角形中选择此选项。 请记住，此过程的可接受产量为 80%。 最高预测产量为 87.3。
鉴于目前的流程，这些规则提供了一些关于如何实现更高收益的指示。
