Comprensione e applicazione di metodi basati su alberi per lo screening e la modellazione dei predittori
Scopri come:
- Modello che utilizza partizione, foreste Bootstrap e albero potenziato
- Comprendere i pro e i contro degli alberi decisionali
- Pro: Scopri relazioni non lineari, ottieni risultati facili da comprendere, esamina un gran numero di fattori
- Contro: Gestisce una risposta alla volta, forma un'istruzione if-then e non una formula matematica, l'elevata variabilità può portare a differenze importanti in un modello per dati simili
- Costruisci un albero di classificazione delle partizioni JMP che utilizza la suddivisione per definire la relazione tra i predittori e le risposte categoriali
- Definire il numero di campioni, la dimensione degli alberi (modelli) e la frequenza di campionamento per costruire modelli Bootstrap Forest utilizzando una tecnica random-forest
- Definire il numero di livelli, le suddivisioni per albero, la velocità di apprendimento e le velocità di campionamento per creare modelli Boosted Tree che combinano modelli più piccoli in un modello finale
- Interpretare i risultati e ottimizzare i modelli
- Specificare ed eseguire report Profit Matrix per identificare classificazioni errate per risposte categoriali e interpretare i risultati utilizzando Confusion Matrix e Decision Matrix
Nota: Domande e risposte incluse all'ora 17:00 e all'ora 38:00
Modellazione predittiva e apprendimento automatico
