Verstehen und Anwenden baumbasierter Methoden für Prädiktor-Screening und Modellierung
Erfahren Sie, wie Sie:
- Modell mit Partition, Bootstrap Forests und Boosted Tree
- Verstehen Sie die Vor- und Nachteile von Entscheidungsbäumen
- Vorteile: Nichtlineare Zusammenhänge aufdecken, leicht verständliche Ergebnisse erzielen, große Anzahl an Faktoren berücksichtigen
- Nachteile: Behandeln Sie jeweils nur eine Antwort, bilden Sie eine Wenn-Dann-Anweisung, keine mathematische Formel, hohe Variabilität kann bei ähnlichen Daten zu großen Unterschieden in einem Modell führen
- Erstellen Sie einen JMP-Partitionsklassifizierungsbaum, der die Aufteilung verwendet, um die Beziehung zwischen den Prädiktoren und den kategorischen Antworten zu definieren.
- Definieren Sie die Anzahl der Stichproben, die Größe der Bäume (Modelle) und die Stichprobenrate, um Bootstrap-Forest-Modelle mithilfe einer Random-Forest-Technik zu erstellen.
- Definieren Sie die Anzahl der Schichten, Aufteilungen pro Baum, Lernrate und Abtastraten, um Boosted Tree-Modelle zu erstellen, die kleinere Modelle zu einem endgültigen Modell kombinieren.
- Ergebnisse interpretieren und Modelle optimieren
- Geben Sie Profit-Matrix-Berichte an und führen Sie sie aus, um Fehlklassifizierungen für kategorische Antworten zu identifizieren, und interpretieren Sie die Ergebnisse mithilfe der Confusion Matrix und der Decision Matrix.
Hinweis: Fragen und Antworten sind um 17:00 Uhr und 38:00 Uhr enthalten.
Prädiktive Modellierung und maschinelles Lernen
