이러한 실습 활동을 통해 JMP를 사용한 예측 모델링을 연습할 수 있습니다. 이 게시물 영어로 된 이러한 솔루션의 예측 모델링 실습 활동, 데이터 및 PDF 파일이 포함되어 있습니다.
연속 응답, 연속 예측 변수
- PM 1.jmp의 데이터를 사용하여 예측 모델을 구축합니다. 이러한 데이터는 시간이 지남에 따라 수집되었습니다.
- Graph Builder 및 Multivariate를 사용하여 데이터를 시각화합니다. 데이터 문제가 있습니까?
1) 열기 오후 1시.jmp .
시간 플롯 작성
2) 선택 그래프 > 그래프 빌더 .
3) 끌기 와이 Y존으로.
4) 오른쪽 클릭 와이 그리고 선택 열 > 열 .
5) 끌기 열 X존으로.
6) 클릭 완료 .
데이터는 행에 상관 관계가 있는 것으로 나타납니다. 이 경우 행은 시간 순서에 해당합니다. 반응의 평균과 변동성은 시간이 지남에 따라 일정한 것으로 보입니다. 열 전환기를 추가하여 예측 변수에 대해 이 그래프를 재현합니다.
7) 옆에 있는 빨간색 삼각형을 클릭합니다. 그래프 빌더 그리고 선택 다시 하다 > 열 전환기 .
8) 선택하다 와이 전환할 초기 열 선택 상자에서.
9) 대체 열 선택 상자에서 모든 열을 선택합니다.
10) 클릭 좋아요 .
11) Column Switcher에서 각 변수를 차례로 클릭합니다.
많은 변수가 자동 상관 관계로 나타납니다. 다른 데이터 문제는 분명하지 않습니다. 스크립트를 데이터 테이블에 저장합니다.
12) 옆에 있는 빨간색 삼각형을 클릭합니다. 그래프 빌더 그리고 선택 스크립트 저장 > 데이터 테이블로 .
13) 입력 시간 플롯 이름을 위해.
14) 클릭 좋아요 .
산점도 작성
1) 선택 그래프 > 그래프 빌더 .
2) 끌기 와이 Y존으로.
3) 끌기 X1 X존으로.
4) 클릭 완료 .
Y와 X1 사이의 관계는 강력하고 긍정적이며 선형으로 나타납니다. 다른 예측 변수에 대해 이 그래프를 재현하려면 열 전환기를 추가하십시오.
5) 옆에 있는 빨간색 삼각형을 클릭합니다. 그래프 빌더 그리고 선택 다시 하다 > 열 전환기 .
6) 대체 열 선택 상자에서 모든 열을 선택합니다.
7) 클릭 좋아요 .
8) 열 전환기에서 각 변수를 차례로 클릭합니다.
다른 관계도 강합니다. 스크립트를 데이터 테이블에 저장합니다.
9) 옆에 있는 빨간색 삼각형을 클릭합니다. 그래프 빌더 그리고 선택 스크립트 저장 > 데이터 테이블로 .
10) 입력 Y 대 예측자 이름을 위해.
11) 클릭 좋아요 .
변수 간의 관계를 보는 또 다른 방법은 다변량 플랫폼을 사용하는 것입니다.
다변량
1) 선택 분석하다 > 다변량 방법 > 다변량 .
2) 모든 열을 선택한 다음 클릭 Y, 열 .
3) 클릭 좋아요 .
변수 간에 많은 양의 상관관계(파란색) 및 음의 상관관계(빨간색)가 있습니다.
Graph Builder에서 만든 동일한 산점도는 Scatterplot Matrix에서 한 번에 모두 볼 수 있습니다.
4) 옆에 있는 빨간색 삼각형을 클릭합니다. 다변량 그리고 선택 컬러 맵 > 상관 관계에 대한 컬러 맵 .
이 컬러 맵은 상관관계 매트릭스의 정보를 복제하지만 읽기가 더 쉬울 수 있습니다.
자기 상관 이외의 데이터 문제는 감지되지 않습니다. 스크립트를 데이터 테이블에 저장합니다.
5) 옆에 있는 빨간색 삼각형을 클릭합니다. 다변량 그리고 선택 스크립트 저장 > 데이터 테이블로 .
6) 클릭 좋아요 .
7) 데이터 테이블을 저장합니다.
비. 모델 적합 및 반응 표면 매크로를 사용하여 반응 표면 모델을 구축합니다. R은 무엇입니까 2 풀모델? Residual by Predicted 플롯에 표시되는 모델 적합도에 문제가 있습니까? Y를 예측하는 데 가장 중요한 예측 변수는 무엇입니까? 예측 공식을 데이터 테이블에 저장합니다.
1) 선택 분석하다 > 적합 모형 .
2) 선택 와이 을 클릭한 다음 와이 .
3) 선택 X1 ~을 통해 X10 을 클릭한 다음 매크로 > 반응 표면 .
4) 클릭 달리다 .
5) 효과 요약 보고서를 닫습니다.
아르 자형 2 약 89%이며, 이는 Y의 변동성의 89%가 이 모델에 의해 설명된다는 것을 의미합니다. 설명되지 않는 변동성의 1표준편차는 약 1.6입니다. 모델 가정을 확인하십시오.
6) 옆에 있는 빨간색 삼각형을 클릭합니다. 응답 Y 그리고 선택 행 진단 > 예측으로 잔차 플롯 .
잔차 플롯에는 문제가 없습니다. 잔차를 시간 순서(행 순서)로 플로팅합니다.
7) 옆에 있는 빨간색 삼각형을 클릭합니다. 응답 Y 그리고 선택 행 진단 > 행별로 잔차 플로팅하기 .
잔차의 자기상관도 나타납니다. 자기상관이 예측에 얼마나 영향을 미치는지 확인하려면 실제 대 예측 플롯을 조사하십시오.
8) 옆에 있는 빨간 삼각형을 클릭하세요. 응답 Y 그리고 선택 행 진단 > 예측으로 실제 플롯 .
예측에 편향이 보이지 않습니다.
너무 많은 관찰이 있기 때문에, 피 -변수 중요도를 결정하는 값은 모든 변수가 중요함을 나타냅니다. 매개변수 추정치 보고서를 참조하십시오. 가장 중요한 변수를 찾으려면 효과 요약 보고서를 검토하십시오.
9) 효과 요약 개요를 엽니다.
Y를 예측하는 데 가장 중요한 변수는 X3, X1, X4, X2 및 X5입니다. 모든 주효과와 많은 2요인 상호작용이 중요합니다.
예측 공식을 저장합니다.
10) 옆에 있는 빨간색 삼각형을 클릭합니다. 응답 Y 그리고 선택 열 저장 > 예측 공식 .
11) 데이터 테이블로 돌아가서 마지막 열의 이름을 다음과 같이 바꿉니다. 예측 Y RS .
12) 데이터 테이블을 저장합니다.
씨. 신경망 플랫폼의 기본 설정을 사용하여 신경망 모델을 구축합니다. R은 무엇입니까 2 유효성 검사 세트의 모델? Residual by Predicted 플롯에 표시되는 모델 적합도에 문제가 있습니까? 노드가 50개인 다른 모델을 피팅합니다. 이 모델이 눈에 띄게 더 나은 예측 기능을 가지고 있습니까? 예측 공식을 데이터 테이블에 저장합니다.
1) 선택 분석하다 > 예측 모델링 > 신경 .
2) 선택 와이 을 클릭한 다음 Y, 응답 .
3) 선택 X1 ~을 통해 X10 을 클릭한 다음 엑스, 팩터 .
4) 결과가 이 솔루션과 일치하도록 하려면(Windows) 임의 시드로 98765를 입력합니다.
5) 클릭 좋아요 .
6) 클릭 가다 .
아르 자형 2 유효성 검사 세트에서 약 88%입니다. 모델 진단을 검사합니다.
7) 옆에 있는 빨간색 삼각형을 클릭합니다. 모델 NTanH(3) 그리고 선택 예측으로 잔차 플롯 .
8) 옆에 있는 빨간 삼각형을 클릭하세요. 모델 NTanH(3) 그리고 선택 실제값을 예측값으로 플로팅합니다.
모델 문제가 분명하지 않습니다. 노드가 더 많은 모델을 피팅하여 피팅이 개선되는지 확인합니다.
9) 열기 모델 런칭 개요.
10) 숨겨진 노드 상자에 50을 입력합니다.
11) 클릭 가다 .
아르 자형 2 유효성 검사 세트에서 1% 미만으로 증가했습니다. RASE 및 Mean Abs Dev는 소수점 둘째 자리에서 더 낮습니다. 모델이 눈에 띄게 좋지는 않습니다.
참고: JMP Pro에는 다른 활성화 기능의 노드를 추가하는 기능이 있습니다. 시간이 지남에 따라 수집된 비정적 데이터가 있는 경우 즉, 시간이 지남에 따라 평균이 표류하는 경우 선형 노드도 하나 추가하는 것이 좋습니다. 이 데이터 세트의 경우 자기 상관이 고정되어 있기 때문에 선형 활성화 함수가 있는 노드를 하나(또는 그 이상) 추가해도 모델의 예측력이 눈에 띄게 향상되지 않습니다.
더 간단한 모델에 대한 예측 공식을 저장한 다음 분석을 저장합니다.
12) 옆에 있는 빨간색 삼각형을 클릭합니다. 모델 NTanH(3) 그리고 선택 프로필 수식 저장 .
13) 데이터 테이블로 돌아가서 마지막 열의 이름을 다음과 같이 바꿉니다. 예상 Y NN .
14) Neural 보고서로 돌아가서 옆에 있는 빨간색 삼각형을 클릭합니다. 신경 그리고 선택 스크립트 저장 > 데이터 테이블로 .
15) 클릭 좋아요 .
16) 데이터 테이블을 저장합니다.
디. 25% 검증 세트가 있는 Partition 플랫폼을 사용하여 의사 결정 트리 모델을 구축합니다. R은 무엇입니까 2 유효성 검사 세트의 모델? 모델에 몇 개의 분할이 있습니까? Actual by Predicted 플롯에 표시되는 모델 적합도에 문제가 있습니까? Y를 예측하는 데 가장 중요한 변수는 무엇입니까? 예측 공식을 데이터 테이블에 저장합니다.
1) 선택 분석하다 > 예측 모델링 > 분할 .
2) 선택 와이 을 클릭한 다음 Y, 응답 .
3) 선택 X1 ~을 통해 X10 을 선택한 다음 엑스, 팩터 .
4) 검증 부분에 0.25를 입력합니다.
5) 클릭 좋아요 .
유효성 검사 데이터가 다르기 때문에 결과가 약간 다를 수 있습니다.
6) 클릭 가다 .
데이터는 다음 10개의 분할이 R을 개선하지 않을 때까지 분할됩니다. 2 유효성 검사 세트에서 모델이 정리됩니다. 아르 자형 2 유효성 검사 세트에서 약 79%로 선형 모델 또는 신경망 모델에서 감소합니다. 111개의 분할이 있었습니다.
모델을 평가합니다.
7) 옆에 있는 빨간색 삼각형을 클릭합니다. Y 파티션 을 선택한 다음 예측으로 실제 플롯 .
모델 적합도에 명백한 문제가 없습니다.
8) 옆에 있는 빨간 삼각형을 클릭하세요. Y 파티션 을 선택한 다음 칼럼 기여 .
보고서는 예측 변수가 설명하는 Y의 변동성 부분에 따라 정렬됩니다. X3, X1 및 X4는 상위 3개의 예측 변수입니다.
예측 공식을 저장합니다.
9) 옆에 있는 빨간색 삼각형을 클릭합니다. Y 파티션 을 선택한 다음 열 저장 > 예측 공식 저장 .
10) 옆에 있는 빨간색 삼각형을 클릭합니다. Y 파티션 을 선택한 다음 스크립트 저장 > 데이터 테이블로 .
11) 클릭 좋아요 .
12) 데이터 테이블로 돌아가서 마지막 열의 이름을 예측 Y DT .
13) 데이터 테이블을 저장합니다.
이자형. Graph Builder를 사용하여 세 가지 모델에 대한 실제 그래프를 예측 그래프로 작성합니다. 어떤 모델을 선호하십니까?
1) 선택 그래프 > 그래프 빌더 .
2) 끌기 와이 Y존으로.
3) 끌기 예측 Y RS , 예상 Y NN , 그리고 예측 Y DT 함께 X존으로.
4) 그래프에서 마우스 오른쪽 버튼을 클릭하고 커스터마이징 .
5) 더하기 기호 아이콘을 클릭합니다.
새 그래픽 스크립트를 추가합니다.
6) 입력 y 함수(x, x); 스크립트 편집기 상자에서.
7) 클릭 좋아요 .
8) 매끄러운 곡선을 제거합니다.
9) 클릭 완료 .
10) 이 그래프를 게시하려면 그래프 제목을 Actual by Predicted로 변경하고 X축 제목을 Predicted로 변경하고 각 X 변수에 대한 마커를 변경합니다.
착용감은 상당히 비슷합니다. 의사 결정 트리 모델은 불연속적인 리프를 사용하여 연속 응답을 예측하기 때문에 두툼한 예측을 제공합니다.
범주형 응답, 연속형 및 범주형 예측 변수
- PM 2.jmp의 데이터를 사용하여 예측 모델을 구축합니다.
- Graph Builder를 사용하여 데이터를 시각화합니다. 데이터 문제가 있습니까?
1) 열기 오후 2시.jmp .
2) 선택 그래프 > 그래프 빌더 .
3) 끌기 와이 Y존으로.
4) 끌기 X1 X존으로.
5) 요소 모음에서 Boxplot 요소를 선택합니다.
6) 클릭 완료 .
7) 옆에 있는 빨간색 삼각형을 클릭합니다. 그래프 빌더 그리고 선택 다시 하다 > 열 전환기 .
8) 교체 열 선택 상자에서 모든 연속 열을 선택합니다.
9) 클릭 좋아요 .
Y와 예측 변수 사이의 몇 가지 강력한 관계를 볼 수 있습니다.
범주형 예측 변수에 대한 시각화를 구축합니다.
10) 선택 그래프 > 그래프 빌더 .
11) 끌기 와이 Y존으로.
12) 끌기 X13 X존으로.
13) 끌기 X18 오른쪽 X축으로 X13 .
14) 요소 모음에서 히트맵 요소를 선택합니다.
15) 클릭 완료 .
Y와 두 범주형 예측 변수 사이에는 연관성이 있는 것으로 보입니다.
두 그래프 모두 데이터 문제가 분명하지 않습니다.
비. 모형 적합 및 반응 표면 매크로를 사용하여 순서 회귀 모형을 작성하십시오. 전체 모델의 오분류율은 얼마입니까? 힌트: Fit Details 보고서를 엽니다. 허용 그룹의 오분류율은 얼마입니까? 힌트: Confusion Matrix 보고서를 엽니다.
1) 선택 분석하다 > 적합 모형 .
2) 선택 와이 을 클릭한 다음 와이 .
3) 선택 X1 ~을 통해 X24 을 클릭한 다음 매크로 > 반응 표면 .
4) 클릭 달리다 .
5) 효과 요약 개요를 닫습니다.
6) Fit Details 아웃라인을 엽니다.
오분류 비율은 약 16%입니다.
7) 옆에 있는 빨간색 삼각형을 클릭합니다. Y에 대한 서수 로지스틱 적합 그리고 선택 혼란 매트릭스 .
허용 그룹의 오분류율은 1 – 0.75 = 0.25입니다. 5개의 허용 가능한 관찰이 양호로 분류되었습니다.
씨. 신경망 플랫폼의 기본 설정을 사용하여 신경망 모델을 구축합니다. 검증 세트에서 모델의 오분류율은 얼마입니까? 특히 Acceptable 그룹의 오분류율은 어떠한가? 노드가 50개인 다른 모델을 피팅합니다. 검증 세트에서 모델의 오분류율은 얼마입니까? 허용 그룹의 오분류율은 얼마입니까?
1) 선택 분석하다 > 예측 모델링 > 신경 .
2) 선택 와이 을 클릭한 다음 Y, 응답 .
3) 선택 X1 ~을 통해 X24 을 클릭한 다음 엑스, 팩터 .
4) 결과가 이 솔루션과 일치하도록 하려면(Windows) 임의 시드로 11793을 입력합니다.
5) 클릭 좋아요 .
6) 클릭 가다 .
검증 세트의 오분류율은 약 23%입니다. 허용 그룹의 오분류율은 100%입니다. 허용 그룹의 7개 관측치가 모두 양호로 잘못 분류되었습니다. 교육 데이터에서 허용 가능 그룹의 13개 관측치 모두 양호로 잘못 분류되었습니다.
7) 모델 시작 개요를 엽니다.
8) 숨겨진 노드 수를 50으로 변경합니다.
9) 클릭 가다 .
유효성 검사 세트의 오분류율은 다시 약 23%입니다. 허용 그룹의 오분류율은 약 29%입니다.
디. 25% 검증 세트가 있는 Partition 플랫폼을 사용하여 의사 결정 트리 모델을 구축합니다. 검증 세트에서 모델의 오분류율은 얼마입니까? 허용 그룹의 오분류율은 얼마입니까?
1) 선택 분석하다 > 예측 모델링 > 분할 .
2) 선택 와이 을 클릭한 다음 Y, 응답 .
3) 선택 X1 ~을 통해 X24 을 클릭한 다음 엑스, 팩터 .
4) 검증 부분에 0.25를 입력합니다.
5) 클릭 좋아요 .
6) 클릭 가다 .
7) 필요한 경우 출력에서 트리를 제거하려면 옆에 있는 빨간색 삼각형을 클릭합니다. Y 파티션 그리고 선택 디스플레이 옵션 > 트리 보기 .
8) 옆에 있는 빨간 삼각형을 클릭하세요. Y 파티션 그리고 선택 피팅 세부 정보 표시 .
홀드아웃 절차의 무작위 특성으로 인해 결과가 달라질 수 있습니다. 검증 세트의 오분류율은 약 27%입니다. 검증 세트에서 Acceptable 그룹의 오분류율은 약 57%입니다. 허용 그룹의 관측치 중 약 절반이 양호로 잘못 분류되었습니다.
