Hola,
mi
nombre
es
Andrea
Coombs,
y Soy unido por mi colega, Olivia Bandera Incott.
Olivia y I tener dado a presentación antes llamado Qué Modelo Cuando.
Si tú desear a llevar a íntimamente mirar en eso presentación,
tú poder llevar a mirar en el enlace en el comunidad correo.
Pero hoy, nosotros desear a hablar acerca de algo a pequeño poco más.
Sí, hoy nosotros desear a pensar acerca de modelado tipo
y cómo modelado tipo impactos el análisis
para cada de el cuatro modelo objetivos eso nosotros habló acerca de previamente.
Bien, y eran de hecho yendo a usar el mismo datos.
Este es datos eso nosotros tirado de Aleta roja eso representa
el alojamiento mercado en el Cincinnati área.
Aquí eran intentando a mirar
en el precio de casas relativo a su cuadrado imágenes,
el número de camas, el número de balneario,
y entonces en y entonces adelante.
Previamente, nosotros tenemos contestado el pregunta, qué modelo ¿cuando?
Él en realidad depende en qué modelo estás yendo a elegir
basado en su meta para el análisis.
Para segmento, eran intentando a examinar relaciones
dónde Hay No destinado respuesta;
explicar, eran intentando a explicar a relación
y mirar en el subyacente factores y cómo aquellos afectar el respuesta;
predecir, eran intentando a predecir futuro resultados
o el respuesta en nuevo situaciones;
e identificar, eran intentando a encontrar importante variables.
Bien.
Ahora Vamos traer el modelado tipo en el imagen.
Ambos su respuestas y su factores poder tener diferente modelado tipos.
En JMP, allá son tres principal modelado tipos:
continuo, nominal, y ordinal.
Continuo modelado tipo es representado por este azul triángulo icono aquí,
y este se refiere a numérico datos solo.
El nominal modelado tipo es representado por este rojo icono,
y este es numérico o personaje datos dónde valores pertenecer a categorías,
pero el orden es no importante.
Para el ordinal modelado tipo, él es representado por este verde icono,
y este poder ser cualquiera numérico o personaje datos como Bueno.
Pero en este caso, valores pertenecer a ordenado categorías.
Cuando estás haciendo un análisis en JMP,
tú desear a hacer seguro tú colocar arriba el correcto modelado tipo,
porque JMP voluntad hacer el correcto modelo para tú,
voluntad hacer el correcto análisis dependiente en modelado tipo.
Andrea, I tener a juego para a nosotros a jugar.
Es llamado Nombre Eso Análisis.
Hacer tú desear a ¿jugar?
Absolutamente. I amar juegos.
Impresionante.
Aquí está su primero pregunta.
Nosotros desear a identificar
cual características de a hogar son mayoría importante
a determinar el precio.
Para ejemplo, cuadrado imágenes y número de baños
poder explicar a grande cantidad de el variación en precio,
pero otro características son menos importante.
Todo bien, Olivia.
I pensar estás haciendo este primero pregunta fácil para a mí.
Es el respuesta ¿identificar?
Vamos ver.
Sí, estás bien.
I hizo hacer eso uno a pequeño poco fácil a conseguir a nosotros yendo,
pero eso es identificar a encontrar importante variables dentro allá.
Hay a pareja de diferente lugares en JMP
dónde nosotros poder usar herramientas a identificar si eso es nuestro modelado meta.
Bajo el Analizar menú bajo Cribado, Profético Modelado y Adaptar Modelo,
usando herramientas como Vaticinador Cribado, Oreja Bosque,
Generalizado Regresión y Paso a paso Selección.
Para modelado tipo,
cuando eran mirando en el meta de identificar,
es no yendo a afectar cosas mucho.
JMP es yendo a hacer el correcto análisis
como largo como su modelado tipos son colocar adecuadamente.
Nosotros tomó a mirar en este y nosotros tomó ambos el respuesta y el factores
y cambió a ellos de continuo a nominal
y miró en cómo cual factores vino arriba como mayoría importante.
Mientras el orden de el factores variado, el dominante factores permaneció el mismo.
Todo bien.
Él aspecto como si nuestro meta es a identificar importante factores,
en realidad, el exacto modelado tipo eran usando
no es impactando cosas eso mucho, él aspecto como, Olivia.
Correcto.
Nuestro conclusiones en cual variables son importante
no son yendo a cambiar mucho basado en el modelado tipo.
Está bien.
Bien, eso es bien a saber.
I tener a pregunta para tú.
Son tú ¿listo?
Soy listo.
Todo bien, aquí es su pregunta.
Vamos decir nosotros desear a construir a modelo a predecir casa precios.
Este modelo voluntad ser basado en muchos importante vaticinador variables nosotros tener en nuestro datos.
Para ejemplo, nosotros desear a predecir
el precio de a casa eso nosotros desear a poner en el mercado.
Cual meta hacer tú pensar eran laboral con ¿aquí?
Bueno, entonces es no como pregunta uno dónde eran intentando a ver
cual factores son mayoría importante a predecir alojamiento precios.
Eran justo en realidad intentando a conseguir eso final alojamiento precio predicción.
Soy yendo a ir con predecir.
Todo bien, Vamos ver si estás bien.
Sí, tú son bien.
El meta de este análisis es predecir.
Hay lotes de diferente plataformas en JMP dónde tú poder construir modelos para predicción.
Dentro cada de aquellos plataformas en JMP dónde tú poder construir el predicción modelos,
JMP voluntad hacer el correcto análisis para tú,
dependiente en el modelado tipo de su respuesta.
Aquí nosotros tener a mesa
de diferente modelado tipos para nuestro respuestas:
continuo, nominal, y ordinal.
Para a continuo respuesta,
este es el típico uno eso nosotros eran hablando acerca de, ¿bien?
Nosotros desear a predecir el precio de a hogar eso eran yendo a poner en el mercado.
Ahora, cuando eran edificio este tipo de modelo con a continuo respuesta,
Bueno, nosotros desear a saber cómo poderoso eso modelo es.
Qué el profético fuerza de eso ¿modelo?
Nosotros poder usar RScuadrado y el Raíz Promedio Al cuadrado Error
a diagnosticar eso modelo.
Ahora, para a nominal y ordinal modelo, es a pequeño poco diferente.
Para a modelo con a nominal respuesta, nosotros tener categorías como el respuesta.
En este ejemplo, eran mirando
en si o no el precio voluntad ser encima o abajo $1 millón.
Eso es qué nosotros desear a predecir.
Para el ordinal respuesta, aquí nosotros tener un ordenado categoría.
Nosotros desear a predecir si el precio de el casa
es yendo a ser bajo, medio, y alto.
Para el nominal y ordinal ejemplos,
de nuevo, nosotros poder mirar en RScuadrado y Raíz Promedio Al cuadrado Error
a evaluar aquellos modelos.
Pero Hay otro cosas eso nosotros poder usar a evaluar aquellos modelos,
como el clasificación errónea tasa y el área bajo el República de China curva.
De curso, nuestro favorito herramienta en JMP
a llevar a mirar en nuestro predicción modelo es el Predicción Perfilador.
Vamos llevar a mirar en el diferencia entre el Predicción Perfilador
para el modelado tipos de nuestro respuestas.
Para el continuo respuesta, nosotros poder ver eso en el Eje Y,
nosotros tener el significar predicción más o menos el confianza intervalo
dado el valor de el modelo factores aquí en cada de el X -ejes.
Para el nominal y ordinal logístico modelos,
qué nosotros ver en el Y -eje
es el probabilidad de el respuesta ser en a cierto categoría.
Para el nominal logístico modelo, nosotros tener el probabilidad
eso el casa es cualquiera yendo a ser arriba o abajo a millón dólares.
Para este ordinal logístico modelo,
nosotros poder ver el probabilidad de teniendo a bajo, medio, o alto precio.
Bueno, entonces él sonidos como el meta de qué nosotros desear a predecir
es también importante cuando eran hablando acerca de eso predicción meta,
si nosotros desear a tratar precio como continuo
y conseguir el predicciones de el exacto precios afuera de allá,
o si nosotros desear a tratar él como a categoría.
Bien.
Tú justo necesidad a conseguir
eso respuesta variable colocar arriba y su datos colocar el correcto forma,
y entonces, de curso, asignar el correcto modelado tipo,
y JMP es yendo a construir el correcto modelo para tú.
Todo bien, Andrea.
Eres listo para su próximo ¿pregunta?
Soy listo. Vamos ir.
Bueno.
Nosotros desear a cuantificar
el efecto en hogar precios de adicional dormitorios.
Para ejemplo, en promedio,
cada adicional dormitorio añade alrededor de $ 97.000 a el total hogar costo.
Añadiendo a dormitorio añade $97.000?
Hombre, Cincinnati es a difícil alojamiento mercado.
Eso es loco.
Todo bien, Bueno, entonces Vamos ver.
Qué son nosotros intentando a hacer ¿aquí?
Eran intentando a cuantificar el efecto aquí.
I pensar qué eran intentando a hacer es explicar
eso efecto eso dormitorios tiene en el precio de a casa.
Soy yendo a decir explicar.
Estás correcto.
Sí, eran intentando a describir el relaciones.
En explicar, nosotros usar el parámetro estimaciones tomado de el modelo ecuación
a cuantificar aquellos relaciones entre el factores y el respuestas.
Típicamente, nosotros usar en JMP bajo el Adaptar Modelo menú ubicación
herramientas como Estándar mínimo Cuadrícula, Logístico y Ordinal Regresión,
y Generalizado Regresión.
Modelado tipo poder en realidad impacto
cómo nuestro factorizado relación con el respuesta variable es interpretado.
Nosotros tomó a mirar, y nosotros eran mirando
en cómo hace el número de camas afectar el alojamiento ¿precio?
Nosotros cambió camas de continuo, a nominal, a ordinal,
y ver qué eso relación era.
Nosotros poder ver bajo el continuo, eso es dónde nosotros tenemos consiguió
eso cada adicional dormitorio añade $97,000 acerca de a el total hogar precio.
Eso predicción perfilador espectáculos a lineal relación
cuando nosotros tratar camas como continuo.
Pero cuando nosotros tratar camas como nominal o ordinal,
Hay no eso derecho lineal relación yendo en.
Nosotros ver a espiga en precio para 4-5 dormitorios comparado a yendo de 2-3 dormitorios.
Bien.
I ver con nominal y ordinal,
el predicción perfilador aspecto casi exactamente el mismo,
entonces él debe ser el mismo modelo.
Sin embargo, Soy vidente con el parámetro estimaciones,
ellos mirar a pequeño poco diferente entre nominal y ordinal.
Qué yendo en ¿allá?
Sí, entonces el nominal y ordinal modelado tipo,
y cuando nosotros usar eso dentro de un regresión, es tratando...
Ellos son codificado diferentemente dentro el regresión,
entonces el parámetro estimaciones son diferente.
Para nominal, eso interceptar,
nosotros pensar de eso como el significar casa precio al otro lado de todo el diferente dormitorios,
y cada de aquellos parámetro estimaciones
son cómo mucho eso número de camas aumenta o disminuye eso significar casa precio.
Pero para palabra final, porque eran mirando en orden asuntos,
nosotros pensar de el interceptar como si allá son cero dormitorios
y cada de aquellos parámetro estimaciones
es el efecto de añadiendo un adicional dormitorio sobre el precio.
Todo bien.
Modelado tipo es en realidad yendo a afectar mi parámetro Estimaciones.
I en realidad necesidad a pensar acerca de exactamente qué hacer I desear a explicar
como a parte de este modelo cuando Soy haciendo este análisis.
Sí.
Todo bien.
Son tú listo para el final pregunta, ¿Olivia?
Sí, traer él en.
Todo bien, Aquí está el pregunta.
Vamos decir nosotros desear a identificar grupos de casas
eso son similar basado en a lista de posible características.
En otro palabras,
nosotros desear a identificar mercado segmentos basado en cosas como cuadrado imágenes,
ubicación, número de dormitorios, Y Cétera.
Cual meta hacer tú pensar este ¿es?
I pensar estás intentando a truco a mí con eso identificar,
y Soy no yendo a caer para él.
Bueno.
Pero allá son No respuestas dentro este pregunta.
I pensar eran mirando en agrupamiento.
Soy yendo a decir segmento.
Bueno.
Bien, estás bien, Olivia.
I hizo intentar y truco tú a pequeño poco porque I en realidad buscado a ganar.
Pero estás bien, eso es el llave cosa aquí,
es eso allá son No respuestas aquí en este análisis.
Nosotros son definitivamente mirando en segmento.
Cuando nuestro meta es segmento,
nosotros poder usar a pareja de diferente agrupamiento herramientas.
Nosotros poder hacer Jerárquico Agrupamiento,
K-Medias C lustroso, o Latente Clase Análisis.
Es importante a mantener en mente eso con Jerárquico Agrupamiento,
tú poder solo incluir...
Lo siento, tú poder incluir todo de el modelado tipos:
continuo, nominal, y ordinal.
Pero para K-medias Agrupamiento,
tú poder solo incluir variables eso son continuo.
Para Latente Clase Análisis,
tú poder solo incluir nominal o ordinal variables.
En nuestro caso aquí, cuando eran mirando
en el número de dormitorios, lote tamaño, año construido, y cuadrado pies,
nosotros tener a combinación de continuo y nominal variables.
Jerárquico Agrupamiento puede ser el mejor agrupamiento herramienta a usar en este guión.
Él aspecto como con eso paralelo trama con Jerárquico Agrupamiento,
tal vez nosotros podría llamar Grupo 6 Asombroso Ubicación.
Sí.
Si tú pensar a grande lote tamaño es un asombroso ubicación,
sí, nosotros poder definitivamente llamar eso segmento Asombroso Ubicación Casas.
Bien, todo bien, Olivia,
a pesar de a mí donación tú a truco en eso último pregunta,
él aspecto como nosotros terminó arriba con a atar aquí de nuevo.
Bien tener A revancha de nuevo pronto.
Absolutamente.
Nosotros habló acerca de qué modelo cuando, y eso en realidad,
qué modelo tú elegir depende en su meta para el análisis,
si es segmento, explicar, predecir, o identificar.
Sí, en términos de modelado tipo, de nuevo,
JMP es yendo a hacer el correcto análisis para tú,
especialmente con su respuestas.
Si estás configuración a ellos arriba con el correcto modelado tipo,
JMP es yendo a hacer el correcto análisis para tú.
Si su meta es explicar,
tú podría necesidad a pensar a pequeño poco acerca de cual modelado tipo a usar,
dependiente en cómo tú desear a explicar
el efecto de algo como el número de dormitorios.
Agradecer tú, Olivia.
Este es entonces mucho divertido.
Vamos hacer él de nuevo próximo año.
