Comprendre et appliquer des méthodes basées sur les arbres pour le criblage et la modélisation des prédicteurs
Découvrez comment faire :
- Modèle utilisant la partition, les forêts Bootstrap et l'arbre optimisé
- Comprendre les avantages et les inconvénients des arbres de décision
- Avantages : découvrir des relations non linéaires, obtenir des résultats faciles à comprendre, examiner un grand nombre de facteurs
- Inconvénients : gérer une réponse à la fois, former une instruction si-alors et non une formule mathématique, une grande variabilité peut conduire à des différences majeures dans un modèle pour des données similaires
- Créez un arbre de classification de partition JMP qui utilise le fractionnement pour définir la relation entre les prédicteurs et les réponses catégorielles
- Définissez le nombre d'échantillons, la taille des arbres (modèles) et le taux d'échantillonnage pour créer des modèles Bootstrap Forest à l'aide d'une technique de forêt aléatoire
- Définissez le nombre de couches, les divisions par arbre, le taux d'apprentissage et les taux d'échantillonnage pour créer des modèles Boosted Tree qui combinent des modèles plus petits dans un modèle final
- Interpréter les résultats et ajuster les modèles
- Spécifiez et exécutez des rapports de matrice de profit pour identifier les erreurs de classification des réponses catégorielles et interpréter les résultats à l'aide de la matrice de confusion et de la matrice de décision
Remarque : Questions et réponses incluses à 17 h 00 et à 38 h 00
Modélisation prédictive et apprentissage automatique
