在我們的免費在線課程中了解更多信息：
解決工業問題的統計思維
在本視頻中，我們使用化學製造示例並為連續響應擬合回歸樹，屈服. 我們在此演示中使用 JMP Pro。
該過程可接受的收率為 80%。
數據已分為訓練數據和驗證數據。 60% 的觀察值被隨機分配到訓練集中，40% 的觀察值在驗證集中。
我們將使回歸樹適合訓練數據，並使用驗證數據確定何時停止樹生長。
為此，我們從 Analyze 菜單中選擇 Predictive Modeling，然後選擇 Partition。 我們選擇屈服作為 Y，響應變量，並選擇兩組預測變量作為 X，因子。
在 JMP Pro 中使用模型驗證有不同的選項。 一種方法是指定保留部分。 例如，我們可以將 40% 的數據保留在模型之外以用於 .
相反，我們將使用驗證列。 我們將此列拖到 Validation 角色中，然後單擊確定。
因為我們正在使用驗證，所以 JMP 提供了一個 Go 按鈕。 我們將單擊此按鈕自動構建樹，然後將其修剪回來。
這棵樹有點大，所以我們將其關閉。 為此，我們使用頂部的紅色小三角、顯示選項，並取消選擇顯示樹。
最終模型有七個拆分。
您可以在底部看到拆分歷史記錄。 這是一個小數據集，因此只有八個拆分是可能的。 該模型被修剪回七個分裂。 這是在驗證集上具有最大 R 方值的模型。
R 方和 RMSE 都更適合用於構建模型的訓練數據。 這意味著這模型對訓練數據的擬合優於對驗證數據的擬合。
要看到這一點，我們將從頂部的紅色三角形中選擇 Plot Actual by Predicted Plot。 請注意，與驗證集中的數據點相比，訓練集中的數據點聚集得更緊密。
該圖告訴您數據中仍然存在許多無法解釋的變化。
讓我們看看這個模型中涉及哪些變量。 為此，我們從頂部的紅色三角形中選擇 Column Contributions。 模型中僅涉及五個變量。
最後我們來看一下Leaf的報告。 我們將從頂部的紅色三角形中選擇此選項。 請記住，此過程的可接受產量為 80%。 最高預測產量為 87.3。
鑑於目前的流程，這些規則提供了一些關於如何實現更高收益的指示。
