Comprensión y aplicación de métodos basados en árboles para la selección y modelado de predictores
Vea cómo:
- Modelo que utiliza particiones, bosques bootstrap y árboles potenciados
- Comprender los pros y contras de los árboles de decisión
- Ventajas: descubre relaciones no lineales, obtén resultados fáciles de entender y analiza una gran cantidad de factores.
- Contras: maneja una respuesta a la vez, forma declaraciones del tipo "si-entonces" y no fórmulas matemáticas, la alta variabilidad puede generar diferencias importantes en un modelo para datos similares
- Construya un árbol de clasificación de partición JMP que utilice la división para definir la relación entre los predictores y las respuestas categóricas
- Definir la cantidad de muestras, el tamaño de los árboles (modelos) y la frecuencia de muestreo para construir modelos de Bootstrap Forest utilizando una técnica de bosque aleatorio
- Defina la cantidad de capas, divisiones por árbol, tasa de aprendizaje y tasas de muestreo para crear modelos de árboles potenciados que combinen modelos más pequeños en un modelo final.
- Interpretar resultados y ajustar modelos
- Especificar y ejecutar informes de matriz de ganancias para identificar clasificaciones erróneas para respuestas categóricas e interpretar resultados utilizando la matriz de confusión y la matriz de decisión.
Nota: Preguntas y respuestas incluidas en el momento 17:00 y en el momento 38:00
Modelado predictivo y aprendizaje automático
