これらの実践的なアクティビティにより、JMP を使用した予測モデリングを練習できます。 この郵便受け予測モデリングの実践的なアクティビティに対するソリューションが含まれています。
継続的な応答、継続的な予測子
- PM 1.jmp のデータを使用して、予測モデルを構築します。 これらのデータは時間をかけて収集されました。
- グラフ ビルダーと多変量データを使用してデータを視覚化します。 データに問題があるのでしょうか？
1) 開くPM1.jp 。
時間プロットを作成する
2) 選択グラフ>グラフビルダー。
3) ドラッグY Yゾーンへ。
4) 右クリックYそして選択します行>行。
5) ドラッグ行Xゾーンへ。
6) クリック終わり。
データは行間で相関しているように見えます。 この場合、行は時間順に対応します。 応答の平均と変動は時間の経過とともに一定であるように見えます。 列スイッチャーを追加して、予測変数のこのグラフを再現します。
7) の横にある赤い三角をクリックします。グラフビルダーそして選択しますやり直し>カラムスイッチャー。
8)選択するY [スイッチする最初の列を選択] ボックスから。
9) [置換列の選択] ボックスからすべての列を選択します。
10) クリックOK 。
11) 列スイッチャーの各変数を順番にクリックします。
多くの変数は自己相関があるように見えます。 他に明らかなデータの問題はありません。 スクリプトをデータ テーブルに保存します。
12) の横にある赤い三角をクリックします。グラフビルダーそして選択しますスクリプトの保存>データテーブルへ。
13) 入力してくださいタイムプロット名前のために。
14) クリックOK 。
散布図を作成する
1) 選択グラフ>グラフビルダー。
2) ドラッグY Yゾーンへ。
3) ドラッグX1 Xゾーンへ。
4) クリック終わり。
Y と X1 の関係は、強く、正で、直線的であるように見えます。 列スイッチャーを追加して、他の予測子用にこのグラフを再現します。
5) の横にある赤い三角をクリックします。グラフビルダーそして選択しますやり直し>カラムスイッチャー。
6) [置換列の選択] ボックスですべての列を選択します。
7) クリックOK 。
8)列スイッチャーの各変数を順番にクリックします。
他の関係も強力です。 スクリプトをデータ テーブルに保存します。
9) の横にある赤い三角をクリックします。グラフビルダーそして選択しますスクリプトの保存>データテーブルへ。
10) 入力してくださいY 対予測子名前のために。
11) クリックOK 。
変数間の関係を表示するもう 1 つの方法は、多変量プラットフォームを使用することです。
多変量
1) 選択分析する>多変量法>多変量。
2) すべての列を選択し、 をクリックします。 Y、列。
3) クリックOK 。
変数間には、大きな正 (青) および負 (赤) の相関関係が多数存在します。
グラフ ビルダーで作成したのと同じ散布図を、散布図マトリックスで一度に表示できます。
4) の横にある赤い三角をクリックします。多変量そして選択しますカラーマップ>相関関係のカラーマップ。
このカラー マップは相関行列の情報を複製しますが、読みやすくなる場合があります。
自己相関以外のデータの問題は検出されません。 スクリプトをデータ テーブルに保存します。
5) の横にある赤い三角をクリックします。多変量そして選択しますスクリプトの保存>データテーブルへ。
6) クリックOK 。
7) データテーブルを保存します。
b.モデルの適合と応答曲面マクロを使用して応答曲面モデルを構築します。 Rとは何ですか2フルモデルの？ 予測による残差プロットに見られるモデルの適合に問題はありますか? Y を予測するために最も重要な予測子変数はどれですか? 予測式をデータテーブルに保存します。
1) 選択分析する>フィットモデル。
2) 選択Yをクリックしてから、 Y 。
3) 選択X1終えたX10をクリックしてから、マクロ>応答曲面。
4) クリック走る。
5) 効果概要レポートを閉じます。
R 2は約 89% です。これは、Y の変動の 89% がこのモデルで説明されることを意味します。 説明できない変動性の 1 つの標準偏差は約 1.6 です。 モデルの仮定を確認します。
6) の横にある赤い三角をクリックします。応答 Yそして選択します行診断>予測による残差のプロット。
残差プロットには問題は見られません。 残差を時間順 (行順) にプロットします。
7) の横にある赤い三角をクリックします。応答 Yそして選択します行診断>残差を行ごとにプロットする。
残差の自己相関も見られます。 実際と予測のプロットを調べて、自己相関が予測にどの程度影響するかを確認します。
8)の横にある赤い三角をクリックします。応答 Yそして選択します行診断>実際の値と予測値をプロットする。
予測に偏りは見られません。
たくさんの観察があるので、見てみると、 p -変数の重要性を決定する値は、すべての変数が重要であることを示します。 パラメータ推定レポートを参照してください。 最も重要な変数を見つけるには、効果概要レポートを調べます。
9) エフェクト概要のアウトラインを開きます。
Y を予測するための最も重要な変数は、X3、X1、X4、X2、および X5 です。 すべての主効果と多くの二因子交互作用が重要です。
予測式を保存します。
10) の横にある赤い三角をクリックします。応答 Yそして選択します列の保存>予測式。
11) データテーブルに戻り、最後の列の名前を次のように変更します。プレド Y RS 。
12) データテーブルを保存します。
c.ニューラル プラットフォームのデフォルト設定を使用してニューラル ネットワーク モデルを構築します。 Rとは何ですか2検証セット上のモデルの? 予測による残差プロットに見られるモデルの適合に問題はありますか? 50 ノードを持つ別のモデルを当てはめます。 このモデルはかなり優れた予測能力を持っていますか? 予測式をデータテーブルに保存します。
1) 選択分析する>予測モデリング>ニューラル。
2) 選択Yをクリックしてから、 Y、応答。
3) 選択X1終えたX10をクリックしてから、 X、ファクター。
4) 結果をこのソリューション (Windows) と一致させたい場合は、ランダム シードとして 98765 を入力します。
5) クリックOK 。
6) クリック行く。
R 2検証セットでは約 88% です。 モデルの診断を調べます。
7) の横にある赤い三角をクリックします。 NTanH型(3)そして選択します予測による残差のプロット。
8)の横にある赤い三角をクリックします。 NTanH型(3)そして選択します実際の値と予測値をプロットします。
明らかなモデルの問題はありません。 より多くのノードを含むモデルを適合させて、適合性が向上するかどうかを確認します。
9) を開きます。モデルローンチ概要。
10) 「非表示ノード」ボックスに「50」と入力します。
11) クリック行く。
R 2検証セットの増加は 1% 未満でした。 RASE と Mean Abs Dev は小数点第 2 位が低くなります。 モデルはそれほど優れているわけではありません。
注: JMP Pro には、他のアクティベーション関数のノードを追加する機能があります。 時間の経過とともに収集された非定常データがある場合、つまり平均値が時間の経過とともに変動する場合は、線形ノードも 1 つ追加することをお勧めします。 このデータ セットの場合、自己相関は定常であるため、線形活性化関数を持つ 1 つ (または複数) のノードを追加しても、モデルの予測能力はそれほど向上しません。
より単純なモデルの予測式を保存してから、分析を保存します。
12) の横にある赤い三角をクリックします。 NTanH型(3)そして選択しますプロファイル式の保存。
13) データテーブルに戻り、最後の列の名前を次のように変更します。プレド Y NN 。
14) ニューラル レポートに戻り、次の赤い三角形をクリックします。ニューラルそして選択しますスクリプトの保存>データテーブルへ。
15) クリックOK 。
16) データテーブルを保存します。
d. 25% 検証セットを含む Partition プラットフォームを使用して、デシジョン ツリー モデルを構築します。 Rとは何ですか2検証セット上のモデルの? モデルには分割がいくつありますか? 実際と予測のプロットに見られるモデルの適合に問題はありますか? Y を予測するために最も重要な変数はどれですか? 予測式をデータテーブルに保存します。
1) 選択分析する>予測モデリング>パーティション。
2) 選択Yをクリックしてから、 Y、応答。
3) 選択X1終えたX10を選択し、 X、ファクター。
4) [検証部分] に「0.25」と入力します。
5) クリックOK 。
検証データが異なるため、結果は若干異なります。
6) クリック行く。
データは、次の 10 回の分割で R が改善されなくなるまで分割されます。 2検証セット上でモデルが切り取られると、モデルは元に戻されます。 R 2検証セットでは約 79% であり、線形モデルまたはニューラル ネットワーク モデルよりも減少しています。 分割数は111でした。
モデルを評価します。
7) の横にある赤い三角をクリックします。 Yのパーティションを選択し、実際の値と予測値をプロットする。
モデルの適合に明らかな問題はありません。
8)の横にある赤い三角をクリックします。 Yのパーティションを選択し、コラム寄稿。
レポートは、予測子によって説明される Y の変動部分によって順序付けされます。 X3、X1、および X4 が上位 3 つの予測変数です。
予測式を保存します。
9) の横にある赤い三角をクリックします。 Yのパーティションを選択し、列の保存>予測式の保存。
10) の横にある赤い三角をクリックします。 Yのパーティションを選択し、スクリプトの保存>データテーブルへ。
11) クリックOK 。
12) データテーブルに戻り、最後の列の名前を次のように変更します。プレド Y DT 。
13) データテーブルを保存します。
e.グラフ ビルダーを使用して、3 つのモデルの実際と予測のグラフを作成します。 どのモデルが好みですか?
1) 選択グラフ>グラフビルダー。
2) ドラッグY Yゾーンへ。
3) ドラッグプレド Y RS 、プレド Y NN 、 とプレド Y DT一緒にXゾーンへ。
4) グラフ内で右クリックし、選択します。カスタマイズ。
5) プラス記号アイコンをクリックします
新しいグラフィックス スクリプトを追加します。
6) 入力y 関数(x, x);スクリプトエディタボックス。
7) クリックOK 。
8)滑らかな曲線を削除します。
9) クリック終わり。
10) このグラフを公開する場合は、グラフのタイトルを「Actual by Predicted」に変更し、X 軸のタイトルを「Predicted」に変更し、各 X 変数のマーカーを変更します。
フィット感はかなり似ています。 デシジョン ツリー モデルは連続応答を予測するために離散的なリーフを使用しているため、分厚い予測が行われます。
カテゴリカルな応答、連続的およびカテゴリカルな予測子
- PM 2.jmp のデータを使用して、予測モデルを構築します。
- グラフ ビルダーを使用してデータを視覚化します。 データに問題があるのでしょうか？
1) 開くPM2.jp 。
2) 選択グラフ>グラフビルダー。
3) ドラッグY Yゾーンへ。
4) ドラッグX1 Xゾーンへ。
5) 要素バーで箱ひげ図要素を選択します。
6) クリック終わり。
7) の横にある赤い三角をクリックします。グラフビルダーそして選択しますやり直し>カラムスイッチャー。
8) [置換列の選択] ボックスで、すべての連続列を選択します。
9) クリックOK 。
Y と予測変数の間にはいくつかの強い関係が見られます。
カテゴリカル予測子の視覚化を構築します。
10) 選択グラフ>グラフビルダー。
11) ドラッグY Yゾーンへ。
12) ドラッグX13 Xゾーンへ。
13) ドラッグX18 X 軸の右側にX13 。
14) 要素バーからヒートマップ要素を選択します。
15) クリック終わり。
Y と両方のカテゴリ予測子の間には関連があるようです。
どちらのグラフでも明らかなデータの問題はありません。
b.モデルの適合と応答曲面マクロを使用して順序回帰モデルを構築します。 完全なモデルの誤分類率はどのくらいですか? ヒント: フィットの詳細レポートを開きます。 許容可能なグループの誤分類率はどれくらいですか? ヒント: 混同マトリックス レポートを開きます。
1) 選択分析する>フィットモデル。
2) 選択Yをクリックしてから、 Y 。
3) 選択X1終えたX24をクリックしてから、マクロ>応答曲面。
4) クリック走る。
5) 効果の概要のアウトラインを閉じます。
6) フィットの詳細アウトラインを開きます。
誤分類率は約 16% です。
7) の横にある赤い三角をクリックします。 Y の順序ロジスティックフィットそして選択します混同マトリックス。
許容グループの誤分類率は 1 – 0.75 = 0.25 です。 5 つの許容可能な観察が良好として分類されました。
c.ニューラル プラットフォームのデフォルト設定を使用してニューラル ネットワーク モデルを構築します。 検証セット上のモデルの誤分類率はどれくらいですか? 特に、Acceptable グループの誤分類率はどのくらいですか? 50 ノードを持つ別のモデルを当てはめます。 検証セット上のモデルの誤分類率はどれくらいですか? Acceptable グループの誤分類率はどのくらいですか?
1) 選択分析する>予測モデリング>ニューラル。
2) 選択Yをクリックしてから、 Y、応答。
3) 選択X1終えたX24をクリックしてから、 X、ファクター。
4) 結果をこのソリューション (Windows) と一致させたい場合は、ランダム シードとして 11793 を入力します。
5) クリックOK 。
6) クリック行く。
検証セットの誤分類率は約 23% です。 Acceptable グループの誤分類率は 100% です。 「許容可能」グループの 7 つの観察はすべて、誤って「良好」と分類されました。 トレーニング データの Acceptable グループ内の 13 個の観測値もすべて、Good として誤分類されました。
7) モデル起動アウトラインを開きます。
8)非表示ノードの数を 50 に変更します。
9) クリック行く。
検証セットの誤分類率も約 23% です。 Acceptable グループの誤分類率は約 29% です。
d. 25% 検証セットを含む Partition プラットフォームを使用して、デシジョン ツリー モデルを構築します。 検証セット上のモデルの誤分類率はどれくらいですか? Acceptable グループの誤分類率はどのくらいですか?
1) 選択分析する>予測モデリング>パーティション。
2) 選択Yをクリックしてから、 Y、応答。
3) 選択X1終えたX24をクリックしてから、 X、ファクター。
4) [検証部分] に「0.25」と入力します。
5) クリックOK 。
6) クリック行く。
7) 必要に応じて、出力からツリーを削除するには、次の赤い三角形をクリックします。 Yのパーティションそして選択します表示オプション>ショーツリー。
8)の横にある赤い三角をクリックします。 Yのパーティションそして選択しますフィットの詳細を表示。
ホールドアウト手順のランダムな性質により、結果は異なります。 検証セットの誤分類率は約 27% です。 検証セット上の Acceptable グループの誤分類率は約 57% です。 「許容可能」グループの観察の約半数が誤って「良好」と分類されました。
