Mit diesen praktischen Aktivitäten können Sie die Vorhersagemodellierung mit JMP üben. Dieser Beitrag enthält die praktischen Übungen zur prädiktiven Modellierung, die Daten und eine PDF-Datei dieser Lösungen in englischer Sprache.
Kontinuierliche Reaktion, kontinuierliche Prädiktoren
- Verwenden Sie die Daten in PM 1.jmp, um Vorhersagemodelle zu erstellen. Diese Daten wurden im Laufe der Zeit gesammelt.
- Visualisieren Sie die Daten mit Graph Builder und Multivariate. Gibt es Datenprobleme?
1) Öffnen PM 1.jmp .
Erstellen Sie ein Zeitdiagramm
2) Auswählen Graph > Graph Builder .
3) Ziehen Y zur Y-Zone.
4) Klicken Sie mit der rechten Maustaste Y und auswählen Reihe > Reihe .
5) Ziehen Reihe zur X-Zone.
6) Klicken Sie Erledigt .
Die Daten scheinen über die Zeilen hinweg korreliert zu sein. In diesem Fall entsprechen die Zeilen der zeitlichen Reihenfolge. Der Mittelwert und die Variabilität der Antwort scheinen über die Zeit konstant zu sein. Fügen Sie einen Spaltenumschalter hinzu, um dieses Diagramm für die Prädiktorvariablen zu reproduzieren.
7) Klicken Sie auf das rote Dreieck daneben Graph Builder und auswählen Wiederholen > Spaltenumschalter .
8) Wählen Y aus dem Feld „Anfangsspalte zum Wechseln auswählen“ aus.
9) Wählen Sie im Feld „Ersatzspalten auswählen“ alle Spalten aus.
10) Klicken Sie OK .
11) Klicken Sie nacheinander auf jede Variable im Spaltenumschalter.
Viele Variablen scheinen autokorreliert zu sein. Es sind keine weiteren Datenprobleme erkennbar. Speichern Sie das Skript in der Datentabelle.
12) Klicken Sie auf das rote Dreieck daneben Graph Builder und auswählen Skript speichern > Zur Datentabelle .
13) Treten Sie ein Zeitdiagramm für den Namen.
14) Klicken Sie OK .
Erstellen Sie ein Streudiagramm
1) Auswählen Graph > Graph Builder .
2) Ziehen Y zur Y-Zone.
3) Ziehen X1 zur X-Zone.
4) Klicken Sie Erledigt .
Die Beziehung zwischen Y und X1 erscheint stark, positiv und linear. Fügen Sie einen Spaltenumschalter hinzu, um dieses Diagramm für andere Prädiktoren zu reproduzieren.
5) Klicken Sie auf das rote Dreieck daneben Graph Builder und auswählen Wiederholen > Spaltenumschalter .
6) Wählen Sie im Feld „Ersatzspalten auswählen“ alle Spalten aus.
7) Klicken Sie OK .
8) Klicken Sie nacheinander auf jede Variable im Spaltenumschalter.
Andere Beziehungen sind ebenfalls stark. Speichern Sie das Skript in der Datentabelle.
9) Klicken Sie auf das rote Dreieck daneben Graph Builder und auswählen Skript speichern > Zur Datentabelle .
10) Geben Sie ein Y vs. Prädiktoren für den Namen.
11) Klicken Sie OK .
Eine weitere Möglichkeit, die Beziehungen zwischen Variablen anzuzeigen, ist die Multivariate-Plattform.
Multivariat
1) Auswählen Analysieren > Multivariate Methoden > Multivariat .
2) Wählen Sie alle Spalten aus und klicken Sie dann Y, Spalten .
3) Klicken Sie OK .
Es gibt viele große positive (blau) und negative (rot) Korrelationen zwischen den Variablen.
Dieselben Streudiagramme, die Sie im Graph Builder erstellt haben, sind alle auf einmal in der Streudiagrammmatrix zu sehen.
4) Klicken Sie auf das rote Dreieck daneben Multivariat und auswählen Farbkarten > Farbkarte zu Korrelationen .
Diese Farbkarte dupliziert die Informationen in der Korrelationsmatrix, ist jedoch möglicherweise einfacher zu lesen.
Es wurden keine anderen Datenprobleme als die Autokorrelation festgestellt. Speichern Sie das Skript in der Datentabelle.
5) Klicken Sie auf das rote Dreieck daneben Multivariat und auswählen Skript speichern > Zur Datentabelle .
6) Klicken Sie OK .
7) Speichern Sie die Datentabelle.
B. Erstellen Sie ein Antwortoberflächenmodell mithilfe von „Modell anpassen“ und dem Antwortoberflächen-Makro. Was ist das R? 2 des vollständigen Modells? Gibt es Probleme mit der Modellanpassung, die im Diagramm „Residuum nach vorhergesagt“ zu sehen sind? Welche Prädiktorvariablen sind für die Vorhersage von Y am wichtigsten? Speichern Sie die Vorhersageformel in der Datentabelle.
1) Auswählen Analysieren > Modell anpassen .
2) Auswählen Y , dann klick Y .
3) Auswählen X1 durch X10 , dann klick Makros > Reaktionsoberfläche .
4) Klicken Sie Laufen .
5) Schließen Sie den Effektzusammenfassungsbericht.
R 2 beträgt etwa 89 %, was bedeutet, dass 89 % der Variabilität in Y durch dieses Modell erklärt werden. Eine Standardabweichung der ungeklärten Variabilität beträgt etwa 1,6. Überprüfen Sie die Modellannahmen.
6) Klicken Sie auf das rote Dreieck daneben Antwort Y und auswählen Zeilendiagnose > Plot-Residuum nach Vorhersage .
Im Restdiagramm sind keine Probleme erkennbar. Zeichnen Sie die Residuen in zeitlicher Reihenfolge (Zeilenreihenfolge) auf.
7) Klicken Sie auf das rote Dreieck daneben Antwort Y und auswählen Zeilendiagnose > Residuum nach Zeile darstellen .
Es ist auch eine Autokorrelation in den Residuen zu erkennen. Untersuchen Sie das Diagramm „Ist nach Vorhersage“, um zu sehen, wie stark sich die Autokorrelation auf die Vorhersagen auswirkt.
8) Klicken Sie auf das rote Dreieck daneben Antwort Y und auswählen Zeilendiagnose > Tatsächliche Darstellung durch vorhergesagte Darstellung .
In den Vorhersagen ist keine Verzerrung zu erkennen.
Weil es so viele Beobachtungen gibt, die man sich anschaut P -Werte zur Bestimmung der Variablenwichtigkeit geben an, dass alle Variablen wichtig sind. Siehe den Bericht „Parameterschätzungen“. Um die wichtigsten Variablen zu finden, sehen Sie sich den Effektzusammenfassungsbericht an.
9) Öffnen Sie die Übersicht „Effektzusammenfassung“.
Die wichtigsten Variablen zur Vorhersage von Y sind X3, X1, X4, X2 und X5. Alle Haupteffekte und viele Zwei-Faktor-Wechselwirkungen sind wichtig.
Speichern Sie die Vorhersageformel.
10) Klicken Sie auf das rote Dreieck daneben Antwort Y und auswählen Spalten speichern > Vorhersageformel .
11) Kehren Sie zur Datentabelle zurück und benennen Sie die letzte Spalte um in Pred Y RS .
12) Speichern Sie die Datentabelle.
C. Erstellen Sie ein neuronales Netzwerkmodell mit den Standardeinstellungen der Neural-Plattform. Was ist das R? 2 des Modells im Validierungssatz? Gibt es Probleme mit der Modellanpassung, die im Diagramm „Residuum nach vorhergesagt“ zu sehen sind? Montieren Sie ein weiteres Modell mit 50 Knoten. Verfügt dieses Modell über eine deutlich bessere Vorhersagefähigkeit? Speichern Sie die Vorhersageformel in der Datentabelle.
1) Auswählen Analysieren > Prädiktive Modellierung > Neuronal .
2) Auswählen Y , dann klick Y, Antwort .
3) Auswählen X1 durch X10 , dann klick X Faktor .
4) Wenn Ihre Ergebnisse mit dieser Lösung übereinstimmen sollen (Windows), geben Sie 98765 als Zufallsstartwert ein.
5) Klicken Sie OK .
6) Klicken Sie Gehen .
R 2 auf dem Validierungssatz beträgt etwa 88 %. Untersuchen Sie die Modelldiagnose.
7) Klicken Sie auf das rote Dreieck daneben Modell NTanH(3) und auswählen Plot-Residuum nach Vorhersage .
8) Klicken Sie auf das rote Dreieck daneben Modell NTanH(3) und auswählen Tatsächliche Darstellung durch vorhergesagte Darstellung.
Es sind keine Modellprobleme erkennbar. Passen Sie ein Modell mit mehr Knoten an, um zu sehen, ob es die Anpassung verbessert.
9) Öffnen Sie die Modelleinführung Umriss.
10) Geben Sie 50 in das Feld „Ausgeblendete Knoten“ ein.
11) Klicken Sie Gehen .
R 2 auf dem Validierungssatz ist um weniger als ein Prozent gestiegen. RASE und Mean Abs Dev sind in der zweiten Dezimalstelle niedriger. Das Modell ist nicht nennenswert besser.
Hinweis: JMP Pro bietet die Möglichkeit, Knoten anderer Aktivierungsfunktionen hinzuzufügen. Wenn Sie im Laufe der Zeit instationäre Daten gesammelt haben, das heißt, wenn der Mittelwert im Laufe der Zeit schwankt, wird empfohlen, auch einen linearen Knoten hinzuzufügen. Da die Autokorrelation bei diesem Datensatz stationär ist, verbessert das Hinzufügen eines (oder mehrerer) Knoten mit linearen Aktivierungsfunktionen die Vorhersagekraft des Modells nicht nennenswert.
Speichern Sie die Vorhersageformel für das einfachere Modell und anschließend die Analyse.
12) Klicken Sie auf das rote Dreieck daneben Modell NTanH(3) und auswählen Profilformeln speichern .
13) Kehren Sie zur Datentabelle zurück und benennen Sie die letzte Spalte um in Pred Y NN .
14) Kehren Sie zum Neural-Bericht zurück und klicken Sie dann auf das rote Dreieck daneben Neuronal und auswählen Skript speichern > Zur Datentabelle .
15) Klicken Sie OK .
16) Speichern Sie die Datentabelle.
D. Erstellen Sie ein Entscheidungsbaummodell mithilfe der Partition-Plattform mit einem Validierungssatz von 25 %. Was ist das R? 2 des Modells im Validierungssatz? Wie viele Splits gibt es im Modell? Gibt es Probleme mit der Modellanpassung im Diagramm „Ist nach Vorhersage“? Welche Variablen sind für die Vorhersage von Y am wichtigsten? Speichern Sie die Vorhersageformel in der Datentabelle.
1) Auswählen Analysieren > Prädiktive Modellierung > Partition .
2) Auswählen Y , dann klick Y, Antwort .
3) Auswählen X1 durch X10 , dann auswählen X Faktor .
4) Geben Sie als Validierungsanteil 0,25 ein.
5) Klicken Sie OK .
Ihre Ergebnisse werden geringfügig abweichen, da Ihre Validierungsdaten unterschiedlich sind.
6) Klicken Sie Gehen .
Die Daten werden aufgeteilt, bis die nächsten 10 Teilungen R nicht verbessern 2 auf dem Validierungssatz, dann wird das Modell zurückgeschnitten. R 2 auf dem Validierungssatz beträgt etwa 79 %, ein Rückgang gegenüber dem linearen Modell oder dem neuronalen Netzwerkmodell. Es gab 111 Teilungen.
Bewerten Sie das Modell.
7) Klicken Sie auf das rote Dreieck daneben Partition für Y , dann auswählen Tatsächliche Darstellung durch vorhergesagte Darstellung .
Bei der Modellanpassung sind keine Probleme erkennbar.
8) Klicken Sie auf das rote Dreieck daneben Partition für Y , dann auswählen Kolumnenbeiträge .
Der Bericht ist nach dem Anteil der Variabilität in Y geordnet, der durch die Prädiktoren erklärt wird. X3, X1 und X4 sind die drei wichtigsten Prädiktoren.
Speichern Sie die Vorhersageformel.
9) Klicken Sie auf das rote Dreieck daneben Partition für Y , dann auswählen Spalten speichern > Vorhersageformel speichern .
10) Klicken Sie auf das rote Dreieck daneben Partition für Y , dann auswählen Skript speichern > Zur Datentabelle .
11) Klicken Sie OK .
12) Kehren Sie zur Datentabelle zurück und benennen Sie die letzte Spalte in um Pred Y DT .
13) Speichern Sie die Datentabelle.
e. Erstellen Sie mit Graph Builder ein Ist-nach-Vorhersage-Diagramm für die drei Modelle. Welches Modell bevorzugen Sie?
1) Auswählen Graph > Graph Builder .
2) Ziehen Y zur Y-Zone.
3) Ziehen Pred Y RS , Pred Y NN , Und Pred Y DT zur X-Zone zusammen.
4) Klicken Sie mit der rechten Maustaste in das Diagramm und wählen Sie aus Anpassen .
5) Klicken Sie auf das Pluszeichen-Symbol
um ein neues Grafikskript hinzuzufügen.
6) Geben Sie ein y-Funktion(x, x); im Skript-Editor-Feld.
7) Klicken Sie OK .
8) Entfernen Sie die glatte Kurve.
9) Klicken Sie Erledigt .
10) Wenn Sie dieses Diagramm veröffentlichen möchten, ändern Sie den Diagrammtitel in „Actual by Predicted“, den Titel der X-Achse in „Predicted“ und ändern Sie die Markierungen für jede X-Variable.
Die Passformen sind ziemlich ähnlich. Das Entscheidungsbaummodell liefert grobe Vorhersagen, da es diskrete Blätter verwendet, um eine kontinuierliche Reaktion vorherzusagen.
Kategoriale Antwort, kontinuierliche und kategoriale Prädiktoren
- Verwenden Sie die Daten in PM 2.jmp, um Vorhersagemodelle zu erstellen.
- Visualisieren Sie die Daten mit Graph Builder. Gibt es Datenprobleme?
1) Öffnen PM 2.jmp .
2) Auswählen Graph > Graph Builder .
3) Ziehen Y zur Y-Zone.
4) Ziehen X1 zur X-Zone.
5) Wählen Sie das Boxplot-Element in der Elementleiste aus.
6) Klicken Sie Erledigt .
7) Klicken Sie auf das rote Dreieck daneben Graph Builder und auswählen Wiederholen > Spaltenumschalter .
8) Wählen Sie im Feld „Ersatzspalten auswählen“ alle fortlaufenden Spalten aus.
9) Klicken Sie OK .
Es sind mehrere starke Beziehungen zwischen Y und den Prädiktoren erkennbar.
Erstellen Sie Visualisierungen für die kategorialen Prädiktoren.
10) Auswählen Graph > Graph Builder .
11) Ziehen Y zur Y-Zone.
12) Ziehen X13 zur X-Zone.
13) Ziehen X18 zur X-Achse rechts von X13 .
14) Wählen Sie das Heatmap-Element aus der Elementleiste aus.
15) Klicken Sie Erledigt .
Es scheint einen Zusammenhang zwischen Y und beiden kategorialen Prädiktoren zu geben.
In beiden Diagrammen sind keine Datenprobleme erkennbar.
B. Erstellen Sie ein ordinales Regressionsmodell mit Fit Model und dem Response Surface-Makro. Wie hoch ist die Fehlklassifizierungsrate des vollständigen Modells? Hinweis: Öffnen Sie den Bericht „Anpassungsdetails“. Wie hoch ist die Fehlklassifizierungsrate für die Gruppe „Akzeptabel“? Hinweis: Öffnen Sie den Confusion Matrix-Bericht.
1) Auswählen Analysieren > Modell anpassen .
2) Auswählen Y , dann klick Y .
3) Auswählen X1 durch X24 , dann klick Makros > Reaktionsoberfläche .
4) Klicken Sie Laufen .
5) Schließen Sie die Gliederung „Effektzusammenfassung“.
6) Öffnen Sie die Gliederung „Anpassungsdetails“.
Die Fehlklassifizierungsrate beträgt etwa 16 %.
7) Klicken Sie auf das rote Dreieck daneben Ordinaler logistischer Fit für Y und auswählen Verwirrung Matrix .
Die Fehlklassifizierungsrate für die Gruppe „Akzeptabel“ beträgt 1 – 0,75 = 0,25. Fünf akzeptable Beobachtungen wurden als gut eingestuft.
C. Erstellen Sie ein neuronales Netzwerkmodell mit den Standardeinstellungen der Neural-Plattform. Wie hoch ist die Fehlklassifizierungsrate des Modells im Validierungssatz? Wie hoch ist insbesondere die Fehlklassifizierungsrate der Akzeptablen-Gruppe? Montieren Sie ein weiteres Modell mit 50 Knoten. Wie hoch ist die Fehlklassifizierungsrate des Modells im Validierungssatz? Wie hoch ist die Fehlklassifizierungsrate der Akzeptablen-Gruppe?
1) Auswählen Analysieren > Prädiktive Modellierung > Neuronal .
2) Auswählen Y , dann klick Y, Antwort .
3) Auswählen X1 durch X24 , dann klick X Faktor .
4) Wenn Sie möchten, dass Ihre Ergebnisse mit dieser Lösung übereinstimmen (Windows), geben Sie 11793 als Zufallsstartwert ein.
5) Klicken Sie OK .
6) Klicken Sie Gehen .
Die Fehlklassifizierungsrate im Validierungssatz beträgt etwa 23 %. Die Fehlklassifizierungsrate der Gruppe „Akzeptabel“ beträgt 100 %. Alle sieben Beobachtungen in der Gruppe „Akzeptabel“ wurden fälschlicherweise als „Gut“ eingestuft. Alle dreizehn Beobachtungen in der Gruppe „Akzeptabel“ in den Trainingsdaten wurden ebenfalls fälschlicherweise als „Gut“ klassifiziert.
7) Öffnen Sie die Model Launch-Gliederung.
8) Ändern Sie die Anzahl der versteckten Knoten auf 50.
9) Klicken Sie Gehen .
Die Fehlklassifizierungsrate im Validierungssatz beträgt wiederum etwa 23 %. Die Fehlklassifizierungsrate der Akzeptablen-Gruppe beträgt etwa 29 %.
D. Erstellen Sie ein Entscheidungsbaummodell mithilfe der Partition-Plattform mit einem Validierungssatz von 25 %. Wie hoch ist die Fehlklassifizierungsrate des Modells im Validierungssatz? Wie hoch ist die Fehlklassifizierungsrate der Akzeptablen-Gruppe?
1) Auswählen Analysieren > Prädiktive Modellierung > Partition .
2) Auswählen Y , dann klick Y, Antwort .
3) Auswählen X1 durch X24 , dann klick X Faktor .
4) Geben Sie für den Validierungsanteil 0,25 ein.
5) Klicken Sie OK .
6) Klicken Sie Gehen .
7) Um den Baum bei Bedarf aus der Ausgabe zu entfernen, klicken Sie auf das rote Dreieck daneben Partition für Y und auswählen Anzeigeoptionen > Baum anzeigen .
8) Klicken Sie auf das rote Dreieck daneben Partition für Y und auswählen Passformdetails anzeigen .
Ihre Ergebnisse werden aufgrund der zufälligen Natur des Holdout-Verfahrens variieren. Die Fehlklassifizierungsrate im Validierungssatz beträgt etwa 27 %. Die Fehlklassifizierungsrate der Acceptable-Gruppe im Validierungssatz beträgt etwa 57 %. Etwa die Hälfte der Beobachtungen in der Gruppe „Akzeptabel“ wurde fälschlicherweise als „Gut“ eingestuft.
