通过这些实践活动，您可以练习使用 JMP 进行预测建模。 这个帖子包含预测建模实践活动、数据以及这些解决方案的英文 PDF 文件。
连续响应，连续预测
- 使用 PM 1.jmp 中的数据构建预测模型。 这些数据是随着时间的推移收集的。
- 使用图形生成器和多元可视化数据。 数据有问题吗？
1）打开下午 1.jmp 。
构建时间图
2) 选择图形>图形生成器。
3）拖动是到Y区。
4）右键单击是并选择排>排。
5) 拖动排到X区。
6）点击完毕。
数据似乎在各行上是相关的。 在这种情况下，行对应于时间顺序。 响应的平均值和变异性似乎随着时间的推移保持不变。 添加列切换器以重现预测变量的该图。
7) 单击旁边的红色三角形图形生成器并选择重做>列切换器。
8）选择是从选择要切换的初始列框中。
9) 从“选择替换列”框中选择所有列。
10）点击好的。
11) 依次单击列切换器中的每个变量。
许多变量看起来是自相关的。 没有其他明显的数据问题。 将脚本保存到数据表中。
12) 单击旁边的红色三角形图形生成器并选择保存脚本>至数据表。
13) 输入时间图为了名字。
14) 点击好的。
构建散点图
1) 选择图形>图形生成器。
2) 拖动是到Y区。
3）拖动X1到X区。
4）点击完毕。
Y 和 X1 之间的关系显得很强、正向且线性。 添加列切换器来为其他预测变量重现该图。
5) 单击旁边的红色三角形图形生成器并选择重做>列切换器。
6) 选择“选择替换列”框中的所有列。
7) 单击好的。
8）依次单击列切换器中的每个变量。
其他关系也很牢固。 将脚本保存到数据表中。
9) 单击旁边的红色三角形图形生成器并选择保存脚本>至数据表。
10) 输入Y 与预测变量为了名字。
11）点击好的。
查看变量之间关系的另一种方法是使用多元平台。
多变量
1) 选择分析>多元方法>多变量。
2) 选择所有列，然后单击Y，列。
3）点击好的。
变量之间存在许多较大的正相关（蓝色）和负相关（红色）。
您可以在散点图矩阵中同时看到您在图形生成器中创建的相同散点图。
4）点击旁边的红色三角形多变量并选择彩色地图>相关性彩色图。
该颜色图复制了相关矩阵中的信息，但可能更容易阅读。
除了自相关之外，没有检测到任何数据问题。 将脚本保存到数据表中。
5) 单击旁边的红色三角形多变量并选择保存脚本>至数据表。
6）点击好的。
7) 保存数据表。
b.使用拟合模型和响应曲面宏构建响应曲面模型。 什么是R 2完整模型？ 在预测残差图中看到的模型拟合是否存在任何问题？ 哪些预测变量对于预测 Y 最重要？ 将预测公式保存到数据表中。
1) 选择分析>适合模型。
2) 选择是，然后单击是。
3) 选择X1通过X10 ，然后单击宏>响应面。
4）点击跑步。
5) 关闭效果摘要报告。
右2约为 89%，这意味着 Y 的 89% 的变异性可以由该模型解释。 无法解释的变异性的一个标准差约为 1.6。 检查模型假设。
6) 单击旁边的红色三角形响应Y并选择行诊断>按预测绘制残差图。
残差图中没有发现任何问题。 按时间顺序（行顺序）绘制残差。
7) 单击旁边的红色三角形响应Y并选择行诊断>按行绘制残差图。
还可以看到残差的自相关性。 检查“实际值与预测值”图以了解自相关对预测的影响程度。
8）单击旁边的红色三角形响应Y并选择行诊断>按预测绘制实际情况。
预测中没有看到偏差。
因为有很多观察，看看p - 确定变量重要性的值表明所有变量都很重要。 请参阅参数估计报告。 要查找最重要的变量，请检查效果摘要报告。
9) 打开效果摘要大纲。
预测 Y 最重要的变量是 X3、X1、X4、X2 和 X5。 所有主效应和许多双因素相互作用都很重要。
保存预测公式。
10) 单击旁边的红色三角形响应Y并选择保存列>预测公式。
11）返回数据表并将最后一列重命名为普雷德 Y RS 。
12) 保存数据表。
C。使用神经平台的默认设置构建神经网络模型。 什么是R 2验证集上的模型？ 在预测残差图中看到的模型拟合是否存在任何问题？ 拟合另一个具有 50 个节点的模型。 该模型是否具有明显更好的预测能力？ 将预测公式保存到数据表中。
1) 选择分析>预测建模>神经。
2) 选择是，然后单击是，响应。
3) 选择X1通过X10 ，然后单击X，因子。
4) 如果您希望结果与此解决方案匹配 (Windows)，请输入 98765 作为随机种子。
5）点击好的。
6）点击去。
右2验证集上的准确率约为 88%。 检查模型诊断。
7) 单击旁边的红色三角形型号NTanH(3)并选择按预测绘制残差图。
8）单击旁边的红色三角形型号NTanH(3)并选择按预测绘制实际情况。
没有明显的模型问题。 拟合具有更多节点的模型，看看是否可以提高拟合度。
9) 打开模型发布大纲。
10) 在隐藏节点框中输入 50。
11）点击去。
右2验证集上的数据增加了不到百分之一。 RASE 和平均绝对偏差在小数点后第二位较低。 该模型并没有明显更好。
注意：JMP Pro 能够添加其他激活函数的节点。 如果您收集的数据随时间变化，即平均值随时间漂移，建议也添加一个线性节点。 对于这一数据集，由于自相关是平稳的，因此添加一个（或多个）具有线性激活函数的节点并不会明显提高模型的预测能力。
保存更简单模型的预测公式，然后保存分析。
12) 单击旁边的红色三角形型号NTanH(3)并选择保存配置文件公式。
13）返回数据表并将最后一列重命名为普雷德 Y NN 。
14) 返回到神经报告，然后单击旁边的红色三角形神经并选择保存脚本>至数据表。
15) 单击好的。
16) 保存数据表。
d.使用具有 25% 验证集的分区平台构建决策树模型。 什么是R 2验证集上的模型？ 模型中有多少个分割？ 在实际与预测图中看到的模型拟合是否存在任何问题？ 哪些变量对于预测 Y 最重要？ 将预测公式保存到数据表中。
1) 选择分析>预测建模>分割。
2) 选择是，然后单击是，响应。
3) 选择X1通过X10 ，然后选择X，因子。
4) 对于验证部分，输入 0.25。
5）点击好的。
由于验证数据不同，您的结果会略有不同。
6）点击去。
数据被分割，直到接下来的 10 次分割不能改善 R 2在验证集上，然后对模型进行修剪。 右2验证集上的准确率约为 79%，比线性模型或神经网络模型有所下降。 共有 111 次分裂。
评估模型。
7) 单击旁边的红色三角形Y 的分区，然后选择按预测绘制实际情况。
模型拟合没有明显问题。
8）单击旁边的红色三角形Y 的分区，然后选择专栏贡献。
该报告按预测变量解释的 Y 变异部分排序。 X3、X1 和 X4 是前三个预测变量。
保存预测公式。
9) 单击旁边的红色三角形Y 的分区，然后选择保存列>保存预测公式。
10) 单击旁边的红色三角形Y 的分区，然后选择保存脚本>至数据表。
11）点击好的。
12）返回数据表并将最后一列重命名为预测 Y DT 。
13) 保存数据表。
e.使用图形生成器为三个模型构建实际预测图。 您更喜欢哪种型号？
1) 选择图形>图形生成器。
2) 拖动是到Y区。
3）拖动普雷德 Y RS ,普雷德 Y NN ， 和预测 Y DT一起去X区。
4) 右键单击图表并选择定制。
5) 单击加号图标
添加新的图形脚本。
6) 输入y 函数（x，x）；在脚本编辑器框中。
7) 单击好的。
8）删除平滑曲线。
9) 单击完毕。
10) 如果要发布此图表，请将图表标题更改为“实际按预测”，将 X 轴标题更改为“预测”，然后更改每个 X 变量的标记。
拟合非常相似。 决策树模型给出了粗略的预测，因为它使用离散的叶子来预测连续的响应。
分类响应、连续和分类预测变量
- 使用 PM 2.jmp 中的数据构建预测模型。
- 使用图形生成器可视化数据。 数据有问题吗？
1）打开下午 2.jmp 。
2) 选择图形>图形生成器。
3）拖动是到Y区。
4) 拖动X1到X区。
5) 选择元素栏上的箱线图元素。
6）点击完毕。
7) 单击旁边的红色三角形图形生成器并选择重做>列切换器。
8）在“选择替换列”框中，选择所有连续列。
9) 单击好的。
可以看到 Y 和预测变量之间有几个很强的关系。
构建分类预测变量的可视化。
10) 选择图形>图形生成器。
11) 拖动是到Y区。
12) 拖动X13到X区。
13) 拖动X18到右侧的 X 轴X13 。
14) 从元素栏中选择热图元素。
15) 点击完毕。
Y 和两个分类预测变量之间似乎存在关联。
两张图中都没有明显的数据问题。
b.使用拟合模型和响应曲面宏构建序数回归模型。 完整模型的误分类率是多少？ 提示：打开“适合详细信息”报告。 可接受组的错误分类率是多少？ 提示：打开混淆矩阵报告。
1) 选择分析>适合模型。
2) 选择是，然后单击是。
3) 选择X1通过X24 ，然后单击宏>响应面。
4）点击跑步。
5) 关闭效果摘要大纲。
6) 打开“适合详细信息”大纲。
误分类率约为16%。
7) 单击旁边的红色三角形Y 的有序 Logistic 拟合并选择混淆矩阵。
可接受组的错误分类率为 1 – 0.75 = 0.25。 五个可接受的观察结果被归类为“良好”。
C。使用神经平台的默认设置构建神经网络模型。 模型在验证集上的误分类率是多少？ 特别是，可接受组的误分类率是多少？ 拟合另一个具有 50 个节点的模型。 模型在验证集上的误分类率是多少？ 可接受组的误分类率是多少？
1) 选择分析>预测建模>神经。
2) 选择是，然后单击是，响应。
3) 选择X1通过X24 ，然后单击X，因子。
4) 如果您希望结果与此解决方案匹配 (Windows)，请输入 11793 作为随机种子。
5）点击好的。
6）点击去。
验证集上的错误分类率约为 23%。 可接受组的误分类率为100%。 可接受组中的所有七个观察结果均被错误分类为良好。 训练数据中可接受组中的所有 13 个观察结果也被错误分类为“良好”。
7) 打开模型启动大纲。
8）将隐藏节点的数量更改为 50。
9) 单击去。
验证集上的错误分类率再次约为 23%。 可接受组的错误分类率约为29%。
d.使用具有 25% 验证集的分区平台构建决策树模型。 模型在验证集上的误分类率是多少？ 可接受组的误分类率是多少？
1) 选择分析>预测建模>分割。
2) 选择是，然后单击是，响应。
3) 选择X1通过X24 ，然后单击X，因子。
4) 对于验证部分，输入 0.25。
5）点击好的。
6）点击去。
7) 如果需要，要从输出中删除树，请单击旁边的红色三角形Y 的分区并选择显示选项>显示树。
8）单击旁边的红色三角形Y 的分区并选择显示合身细节。
由于保留程序的随机性，您的结果会有所不同。 验证集上的错误分类率约为 27%。 验证集上Acceptable组的错误分类率约为57%。 可接受组中大约一半的观察结果被错误分类为良好。
