nav[aria-label="Primary Navigation"] { padding: 0; & ul { list-style: none; width: 100%; display: flex; flex-direction: row; justify-content: start; align-items: start; gap: 30px; padding: 0; & li { margin: 0; } & ul li { list-style: none; } } }

809979_zh-CN

liliconcom · 2024-11-13T01:49:33+00:00

理解和应用基于树的方法进行预测因子筛选和建模了解如何： * 使用分区、引导森林和提升树的模型 * 了解决策树的优缺点* 优点：发现非线性关系，获得易于理解的结果，筛选大量因素 * 缺点：每次处理一个响应，形成 if-then 语句而非数学公式，高可变性可能导致相似数据的模型出现重大差异 * 构建 JMP 分区分类树，使用分割来定义预测变量和分类响应之间的关系 * 定义样本数量、树（模型）的大小和采样率，以使用随机森林技术构建 Bootstrap Forest 模型 * 定义层数、每棵树的分割数、学习率和采样率，以构建提升树模型，将较小的模型组合成最终模型 * 解释结果并调整模型 *…

liliconcom

理解和应用基于树的方法进行预测因子筛选和建模

了解如何：

使用分区、引导森林和提升树的模型
了解决策树的优缺点
- 优点：发现非线性关系，获得易于理解的结果，筛选大量因素
- 缺点：每次处理一个响应，形成 if-then 语句而非数学公式，高可变性可能导致相似数据的模型出现重大差异
构建 JMP 分区分类树，使用分割来定义预测变量和分类响应之间的关系
定义样本数量、树（模型）的大小和采样率，以使用随机森林技术构建 Bootstrap Forest 模型
定义层数、每棵树的分割数、学习率和采样率，以构建提升树模型，将较小的模型组合成最终模型
解释结果并调整模型
指定并运行利润矩阵报告以识别分类响应的错误分类，并使用混淆矩阵和决策矩阵解释结果