661019_de-DE

liliconcom

Prädiktive Modellierung - Praktische Aktivitäten

Mit diesen praktischen Aktivitäten können Sie die prädiktive Modellierung mit JMP üben. Die Datendateien für die Aktivität befinden sich in der diesem Beitrag beigefügten ZIP-Datei. Extrahieren Sie die Daten in „Predictive Modeling Hands-on Activity.zip“ zur Verwendung in den folgenden Aktivitäten. Klicken Sie auf diesen Link , um die Lösungen anzuzeigen. 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 Diagrammerstellung und Multivariat . Gibt es Datenprobleme?
   2. Erstellen Sie ein Antwortoberflächenmodell mit „Fit Model“ und dem Makro „Response Surface “. Was ist das R ² des vollständigen Modells? Gibt es Probleme mit der Modellanpassung, die im Diagramm „Residual by Predicted“ 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 neuronalen Plattform. Wie hoch ist das R ² des Modells im Validierungssatz? Gibt es Probleme mit der Modellanpassung, die im Diagramm „Residuen durch Vorhersage“ zu sehen sind? Passen Sie ein anderes Modell mit 50 Knoten an. Verfügt dieses Modell über eine deutlich bessere Vorhersagefähigkeit? Speichern Sie die Vorhersageformel in der Datentabelle.
   4. Erstellen Sie mithilfe der Partition -Plattform und einem Validierungssatz von 25 % ein Entscheidungsbaummodell. Wie hoch ist das R ² des Modells im Validierungssatz? Wie viele Teilungen enthält das Modell? Gibt es im Diagramm „Tatsächlich vs. vorhergesagt“ Probleme mit der Modellanpassung? Welche Variablen sind für die Vorhersage von Y am wichtigsten? Speichern Sie die Vorhersageformel in der Datentabelle.
   5. Erstellen Sie mit dem Graph Builder ein Diagramm „Tatsächlich vs. Vorhersage“ für die drei Modelle. Welches Modell bevorzugen Sie?

Kategoriale Antwort, kontinuierliche und kategoriale Prädiktoren

2. Verwenden Sie die Daten in Uhr 2 .jmp, um Vorhersagemodelle zu erstellen.
   1. Visualisieren Sie die Daten mit der Diagrammerstellung . Gibt es Datenprobleme?
   2. Erstellen Sie ein ordinales Regressionsmodell mit „Modell anpassen“ und dem Makro „ Antwortoberfläche “. Wie hoch ist die Fehlklassifizierungsrate des Gesamtmodells? Tipp: Öffnen Sie den Bericht „Anpassungsdetails “. Wie hoch ist die Fehlklassifizierungsrate für die Gruppe „Akzeptabel“ ? Tipp: Öffnen Sie den Bericht „Konfusionsmatrix“ .
   3. Erstellen Sie ein neuronales Netzwerkmodell mit den Standardeinstellungen der Neuronale -Plattform. Wie hoch ist die Fehlklassifizierungsrate des Modells im Validierungssatz? Insbesondere: Wie hoch ist die Fehlklassifizierungsrate der akzeptablen Gruppe? Passen Sie ein anderes Modell mit 50 Knoten an. Wie hoch ist die Fehlklassifizierungsrate des Modells im Validierungssatz? Wie hoch ist die Fehlklassifizierungsrate der akzeptablen Gruppe?
   4. Erstellen Sie mithilfe der Partitionsplattform ein Entscheidungsbaummodell 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