661019_de-DE

liliconcom

Praktische Aktivitäten zur prädiktiven Modellierung

Mit diesen praktischen Aktivitäten können Sie die Vorhersagemodellierung mit JMP üben. Die Datendateien für die Aktivität befinden sich in der ZIP-Datei, die diesem Beitrag beigefügt ist. Extrahieren Sie die Daten in Prädiktive Modellierung – Praktische Aktivität.zip zur Verwendung bei den folgenden Aktivitäten. Klicken dieser Link für die Lösungen. Eine PDF-Datei dieser Aktivitäten und Lösungen (auf Englisch) ist diesem Beitrag beigefügt.

Kontinuierliche Reaktion, kontinuierliche Prädiktoren

1. Verwenden Sie die Daten in PM 1.jmp, um Vorhersagemodelle zu erstellen. Diese Daten wurden im Laufe der Zeit gesammelt.
   1. Visualisieren Sie die Daten mit Graph Builder und Multivariate. Gibt es Datenprobleme?
   2. 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.
   3. 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.
   4. 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.
   5. Erstellen Sie mit Graph Builder ein Ist-nach-Vorhersage-Diagramm für die drei Modelle. Welches Modell bevorzugen Sie?

Kategoriale Antwort, kontinuierliche und kategoriale Prädiktoren

2. Verwenden Sie die Daten in PM 2.jmp, um Vorhersagemodelle zu erstellen.
   1. Visualisieren Sie die Daten mit Graph Builder. Gibt es Datenprobleme?
   2. 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.
   3. 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?
   4. 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?

 

Prädiktive Modellierung und maschinelles Lernen