예측자 스크리닝 및 모델링을 위한 트리 기반 방법 이해 및 적용
방법을 확인하세요:
- Partition, Bootstrap Forests 및 Boosted Tree를 사용한 모델
- 결정 트리의 장단점을 이해하세요
- 장점: 비선형 관계 발견, 이해하기 쉬운 결과 얻기, 많은 수의 요인 검토
- 단점: 한 번에 하나의 응답만 처리하고 수학 공식이 아닌 if-then 문을 형성하며, 높은 변동성으로 인해 유사한 데이터에 대한 모델에서 큰 차이가 발생할 수 있음
- 예측 변수와 범주형 응답 간의 관계를 정의하기 위해 분할을 사용하는 JMP 파티션 분류 트리를 구축합니다.
- 랜덤 포레스트 기법을 사용하여 Bootstrap Forest 모델을 구축하기 위해 샘플 수, 트리(모델) 크기 및 샘플 속도를 정의합니다.
- 더 작은 모델을 최종 모델로 결합하는 Boosted Tree 모델을 구축하기 위해 레이어 수, 트리당 분할, 학습률 및 샘플링률을 정의합니다.
- 결과 해석 및 모델 조정
- 범주별 응답에 대한 잘못된 분류를 식별하고 혼동 행렬 및 결정 행렬을 사용하여 결과를 해석하기 위해 이익 행렬 보고서를 지정하고 실행합니다.
참고사항: Q&A는 17:00, 38:00에 포함됩니다.
예측 모델링 및 머신 러닝
