通過這些實踐活動，您可以練習使用 JMP 進行預測建模。 這個帖子包含預測建模實踐活動的解決方案。
連續響應，連續預測
- 使用 PM 1.jmp 中的數據構建預測模型。 這些數據是隨著時間的推移收集的。
- 使用圖形生成器和多元可視化數據。 數據有問題嗎？
1）打開下午 1.jmp 。
構建時間圖
2) 選擇圖形>圖形生成器。
3）拖動是到Y區。
4）右鍵單擊是並選擇排>排。
5) 拖動排到X區。
6）點擊完畢。
數據似乎在各行上是相關的。 在這種情況下，行對應於時間順序。 響應的平均值和變異性似乎隨著時間的推移保持不變。 添加列切換器以重現預測變量的該圖。
7) 單擊旁邊的紅色三角形圖形生成器並選擇重做>列切換器。
8）選擇是從選擇要切換的初始列框中。
9) 從“選擇替換列”框中選擇所有列。
10）點擊好的。
11) 依次單擊列切換器中的每個變量。
許多變量看起來是自相關的。 沒有其他明顯的數據問題。 將腳本保存到數據表中。
12) 單擊旁邊的紅色三角形圖形生成器並選擇保存腳本>至數據表。
13) 輸入時間圖為了名字。
14) 單擊好的。
構建散點圖
1) 選擇圖形>圖形生成器。
2) 拖動是到Y區。
3）拖動X1到X區。
4）點擊完畢。
Y 和 X1 之間的關係顯得很強、正向且線性。 添加列切換器來為其他預測變量重現該圖。
5) 單擊旁邊的紅色三角形圖形生成器並選擇重做>列切換器。
6) 選擇“選擇替換列”框中的所有列。
7) 單擊好的。
8）依次單擊列切換器中的每個變量。
其他關係也很牢固。 將腳本保存到數據表中。
9) 單擊旁邊的紅色三角形圖形生成器並選擇保存腳本>至數據表。
10) 輸入Y 與預測變量為了名字。
11）點擊好的。
查看變量之間關係的另一種方法是使用多元平台。
多變量
1) 選擇分析>多元方法>多變量。
2) 選擇所有列，然後單擊Y，列。
3）點擊好的。
變量之間存在許多較大的正相關（藍色）和負相關（紅色）。
您可以在散點圖矩陣中同時看到您在圖形生成器中創建的相同散點圖。
4）點擊旁邊的紅色三角形多變量並選擇彩色地圖>相關性彩色圖。
該顏色圖複製了相關矩陣中的信息，但可能更容易閱讀。
除了自相關之外，沒有檢測到任何數據問題。 將腳本保存到數據表中。
5) 單擊旁邊的紅色三角形多變量並選擇保存腳本>至數據表。
6）點擊好的。
7) 保存數據表。
b.使用擬合模型和響應曲面宏構建響應曲面模型。 什麼是R 2完整模型？ 在預測殘差圖中看到的模型擬合是否存在任何問題？ 哪些預測變量對於預測 Y 最重要？ 將預測公式保存到數據表中。
1) 選擇分析>適合模型。
2) 選擇是，然後單擊是。
3) 選擇X1通過X10 ，然後單擊宏>響應面。
4）點擊跑步。
5) 關閉效果摘要報告。
右2約為 89%，這意味著 Y 的 89% 的變異性可以由該模型解釋。 無法解釋的變異性的一個標準差約為 1.6。 檢查模型假設。
6) 單擊旁邊的紅色三角形響應Y並選擇行診斷>按預測繪製殘差圖。
殘差圖中沒有發現任何問題。 按時間順序（行順序）繪製殘差。
7) 單擊旁邊的紅色三角形響應Y並選擇行診斷>按行繪製殘差圖。
還可以看到殘差的自相關性。 檢查“實際值與預測值”圖以了解自相關對預測的影響程度。
8）單擊旁邊的紅色三角形響應Y並選擇行診斷>按預測繪製實際情況。
預測中沒有看到偏差。
因為有很多觀察，看看p - 確定變量重要性的值表明所有變量都很重要。 請參閱參數估計報告。 要查找最重要的變量，請檢查效果摘要報告。
9) 打開效果摘要大綱。
預測 Y 最重要的變量是 X3、X1、X4、X2 和 X5。 所有主效應和許多雙因素相互作用都很重要。
保存預測公式。
10) 單擊旁邊的紅色三角形響應Y並選擇保存列>預測公式。
11）返回數據表並將最後一列重命名為普雷德 Y RS 。
12) 保存數據表。
C。使用神經平台的默認設置構建神經網絡模型。 什麼是R 2驗證集上的模型？ 在預測殘差圖中看到的模型擬合是否存在任何問題？ 擬合另一個具有 50 個節點的模型。 該模型是否具有明顯更好的預測能力？ 將預測公式保存到數據表中。
1) 選擇分析>預測建模>神經。
2) 選擇是，然後單擊是，響應。
3) 選擇X1通過X10 ，然後單擊X，因子。
4) 如果您希望結果與此解決方案匹配 (Windows)，請輸入 98765 作為隨機種子。
5）點擊好的。
6）點擊去。
右2驗證集上的準確率約為 88%。 檢查模型診斷。
7) 單擊旁邊的紅色三角形型號NTanH(3)並選擇按預測繪製殘差圖。
8）單擊旁邊的紅色三角形型號NTanH(3)並選擇按預測繪製實際情況。
沒有明顯的模型問題。 擬合具有更多節點的模型，看看是否可以提高擬合度。
9) 打開模型發布大綱。
10) 在隱藏節點框中輸入 50。
11）點擊去。
右2驗證集上的數據增加了不到百分之一。 RASE 和平均絕對偏差在小數點後第二位較低。 該模型並沒有明顯更好。
注意：JMP Pro 能夠添加其他激活函數的節點。 如果您收集的數據隨時間變化，即平均值隨時間漂移，建議也添加一個線性節點。 對於這一數據集，由於自相關是平穩的，因此添加一個（或多個）具有線性激活函數的節點並不會明顯提高模型的預測能力。
保存更簡單模型的預測公式，然後保存分析。
12) 單擊旁邊的紅色三角形型號NTanH(3)並選擇保存配置文件公式。
13）返回數據表並將最後一列重命名為普雷德 Y NN 。
14) 返回到神經報告，然後單擊旁邊的紅色三角形神經並選擇保存腳本>至數據表。
15) 點擊好的。
16) 保存數據表。
d.使用具有 25% 驗證集的分區平台構建決策樹模型。 什麼是R 2驗證集上的模型？ 模型中有多少個分割？ 在實際與預測圖中看到的模型擬合是否存在任何問題？ 哪些變量對於預測 Y 最重要？ 將預測公式保存到數據表中。
1) 選擇分析>預測建模>分割。
2) 選擇是，然後單擊是，響應。
3) 選擇X1通過X10 ，然後選擇X，因子。
4) 對於驗證部分，輸入 0.25。
5）點擊好的。
由於驗證數據不同，您的結果會略有不同。
6）點擊去。
數據被分割，直到接下來的 10 次分割不能改善 R 2在驗證集上，然後對模型進行修剪。 右2驗證集上的準確率約為 79%，比線性模型或神經網絡模型有所下降。 共有 111 次分裂。
評估模型。
7) 單擊旁邊的紅色三角形Y 的分區，然後選擇按預測繪製實際情況。
模型擬合沒有明顯問題。
8）單擊旁邊的紅色三角形Y 的分區，然後選擇專欄貢獻。
該報告按預測變量解釋的 Y 變異部分排序。 X3、X1 和 X4 是前三個預測變量。
保存預測公式。
9) 單擊旁邊的紅色三角形Y 的分區，然後選擇保存列>保存預測公式。
10) 單擊旁邊的紅色三角形Y 的分區，然後選擇保存腳本>至數據表。
11）點擊好的。
12）返回數據表並將最後一列重命名為預測 Y DT 。
13) 保存數據表。
e.使用圖形生成器為三個模型構建實際預測圖。 您更喜歡哪種型號？
1) 選擇圖形>圖形生成器。
2) 拖動是到Y區。
3）拖動普雷德 Y RS ,普雷德 Y NN ， 和預測 Y DT一起去X區。
4) 右鍵單擊圖表並選擇定制。
5) 單擊加號圖標
添加新的圖形腳本。
6) 輸入y 函數（x，x）；在腳本編輯器框中。
7) 單擊好的。
8）刪除平滑曲線。
9) 單擊完畢。
10) 如果要發布此圖表，請將圖表標題更改為“實際按預測”，將 X 軸標題更改為“預測”，然後更改每個 X 變量的標記。
擬合非常相似。 決策樹模型給出了粗略的預測，因為它使用離散的葉子來預測連續的響應。
分類響應、連續和分類預測變量
- 使用 PM 2.jmp 中的數據構建預測模型。
- 使用圖形生成器可視化數據。 數據有問題嗎？
1）打開下午 2.jmp 。
2) 選擇圖形>圖形生成器。
3）拖動是到Y區。
4) 拖動X1到X區。
5) 選擇元素欄上的箱線圖元素。
6）點擊完畢。
7) 單擊旁邊的紅色三角形圖形生成器並選擇重做>列切換器。
8）在“選擇替換列”框中，選擇所有連續列。
9) 單擊好的。
可以看到 Y 和預測變量之間有幾個很強的關係。
構建分類預測變量的可視化。
10) 選擇圖形>圖形生成器。
11) 拖動是到Y區。
12) 拖動X13到X區。
13) 拖動X18到右側的 X 軸X13 。
14) 從元素欄中選擇熱圖元素。
15) 點擊完畢。
Y 和兩個分類預測變量之間似乎存在關聯。
兩張圖中都沒有明顯的數據問題。
b.使用擬合模型和響應曲面宏構建序數回歸模型。 完整模型的誤分類率是多少？ 提示：打開“適合詳細信息”報告。 可接受組的錯誤分類率是多少？ 提示：打開混淆矩陣報告。
1) 選擇分析>適合模型。
2) 選擇是，然後單擊是。
3) 選擇X1通過X24 ，然後單擊宏>響應面。
4）點擊跑步。
5) 關閉效果摘要大綱。
6) 打開“適合詳細信息”大綱。
誤分類率約為16%。
7) 單擊旁邊的紅色三角形Y 的有序 Logistic 擬合並選擇混淆矩陣。
可接受組的錯誤分類率為 1 – 0.75 = 0.25。 五個可接受的觀察結果被歸類為“良好”。
C。使用神經平台的默認設置構建神經網絡模型。 模型在驗證集上的誤分類率是多少？ 特別是，可接受組的誤分類率是多少？ 擬合另一個具有 50 個節點的模型。 模型在驗證集上的誤分類率是多少？ 可接受組的誤分類率是多少？
1) 選擇分析>預測建模>神經。
2) 選擇是，然後單擊是，響應。
3) 選擇X1通過X24 ，然後單擊X，因子。
4) 如果您希望結果與此解決方案匹配 (Windows)，請輸入 11793 作為隨機種子。
5）點擊好的。
6）點擊去。
驗證集上的錯誤分類率約為 23%。 可接受組的誤分類率為100%。 可接受組中的所有七個觀察結果均被錯誤分類為良好。 訓練數據中可接受組中的所有 13 個觀察結果也被錯誤分類為“良好”。
7) 打開模型啟動大綱。
8）將隱藏節點的數量更改為 50。
9) 單擊去。
驗證集上的錯誤分類率再次約為 23%。 可接受組的錯誤分類率約為29%。
d.使用具有 25% 驗證集的分區平台構建決策樹模型。 模型在驗證集上的誤分類率是多少？ 可接受組的誤分類率是多少？
1) 選擇分析>預測建模>分割。
2) 選擇是，然後單擊是，響應。
3) 選擇X1通過X24 ，然後單擊X，因子。
4) 對於驗證部分，輸入 0.25。
5）點擊好的。
6）點擊去。
7) 如果需要，要從輸出中刪除樹，請單擊旁邊的紅色三角形Y 的分區並選擇顯示選項>顯示樹。
8）單擊旁邊的紅色三角形Y 的分區並選擇顯示合身細節。
由於保留程序的隨機性，您的結果會有所不同。 驗證集上的錯誤分類率約為 27%。 驗證集上Acceptable組的錯誤分類率約為57%。 可接受組中大約一半的觀察結果被錯誤分類為良好。
