이 위시리스트 요청에 영감을 준 것은 무엇입니까?
Mixture Space-Filling DoE 데이터에 대해 여러 기계 학습 알고리즘을 사용하여 분류를 구현하려고 할 때 상황이 발생했습니다 . -and-기계 학습-for/ec-p/708147#M2 ).
결과를 시각적이고 명확하게 표현하기 위해 클래스의 변화를 표현하는 연속적인 응답의 삼항 플롯을 그래프로 표시하고 싶어서 선호 클래스 확률을 선택했습니다. 그러나 Ternary 플롯에는 수식 열이 필요하기 때문에 실제로 그래프를 생성하기 위한 해결 방법을 수행해야 했기 때문에 두 단계로 작업을 수행했습니다.
- 분류 모델(SVM)을 생성하고 "예측 수식 저장"을 클릭합니다. 클래스 예측은 수식 열이지만 각 클래스에 대해 계산된 확률 열은 아닙니다.
- 동일한 입력 변수/X를 사용하여 모델을 생성하지만 응답은 선호하는 클래스 확률 열입니다. 그런 다음 확률 공식을 저장하고 이를 Ternary 플롯에 사용할 수 있습니다.
당신이 보고 싶은 개선점은 무엇입니까? 모델 플랫폼에서 다양한 클래스를 예측하기 위해 클래스 확률 계산이 이미 수행되었으므로 계산된 클래스 확률을 데이터 테이블의 수식 열로 저장하고 싶습니다. 이는 더 간단한 옵션이고 해결 방법이 덜 필요하며 두 번째 단계에서 모델의 잘못된 사양을 피할 수 있습니다.
이 아이디어가 왜 중요한가요? 삼항 플롯 또는 표면 플롯은 RSM/혼합물 모델 동작을 더 잘 시각화하고 이해하는 데 필수적인 도구입니다. 범주형 응답/클래스를 사용하면 실험 공간의 변화를 정확하고 지속적으로 표현하기가 어렵습니다. 선호하는 클래스 계산 확률 공식을 사용하면 범주형 응답에 대한 요인의 영향과 중요성을 이해하는 데 도움이 될 수 있다고 생각합니다.
