La matrice de confusion n'est pas visible lors de la création d'une forêt Bootstrap avec une réponse catégorielleSalut.
J'ai travaillé avec le fichier Equity (base de données JMP) sur JMP Pro 18 pour créer une forêt Bootstrap avec une réponse catégorielle (BAD). J'ai suivi les instructions données sur https://www.jmp.com/support/help/en/17.1/?os=win&source=application#page/jmp/example-of-bootstrap-forest-with-a-categorical-response.shtml#
Cependant, le rapport n'inclut pas la matrice de confusion. Quelqu'un peut-il me dire s'il me manque une étape ?
De plus, au début de ce guide, il est écrit que « le modèle de forêt bootstrap est construit pour prédire si un client présente un risque de crédit négatif ». Cependant, à partir de l'analyse présentée dans le guide, comment puis-je conclure clairement au résultat (c'est-à-dire, un risque de crédit négatif) ?
Modélisation statistique avancéeModélisation prédictive et apprentissage automatiqueRé : La matrice de confusion n'est pas visible lors de la création d'une forêt Bootstrap avec une réponse catégorielleVoici l'ensemble de données sur les capitaux propres
Ré : La matrice de confusion n'est pas visible lors de la création d'une forêt Bootstrap avec une réponse catégorielleRemplacez la colonne BAD par le type de modélisation nominal.
Ré : La matrice de confusion n'est pas visible lors de la création d'une forêt Bootstrap avec une réponse catégorielleSalut @madhu ,
C'est étrange, relancer une forêt Bootstrap sur cet ensemble de données Equity me fournit une matrice de confusion :
J'ai également vérifié, et la matrice de confusion est par défaut affichée dans le rapport, son apparition est automatique et non liée aux préférences de la plateforme :
Vous pouvez peut-être contacter le support technique à support@jmp.com ?
Pour votre deuxième question, l'objectif de cet ensemble de données est de prédire en fonction de divers descripteurs (PRÊT, HYPOTHEQUE, VALEUR, ...DETTE) si une personne présente un risque de crédit faible (niveau « Risque faible » dans la colonne de réponse « MAUVAIS ») ou acceptable (niveau « Bon risque »).
L'objectif d'une banque/assurance est de prêter de l'argent uniquement à des personnes capables de rembourser, donc si vous êtes capable de détecter des personnes capables de vous rembourser efficacement grâce à divers descripteurs et à un modèle, vous pouvez plus facilement déterminer si le risque de prêter de l'argent en vaut la peine ou non.
J'espère que cette réponse pourra vous aider,
Ré : La matrice de confusion n'est pas visible lors de la création d'une forêt Bootstrap avec une réponse catégorielleSalut #jthi
C'est correct. J'ai remarqué que les données BAD étaient marquées comme "continues". Je l'ai maintenant changé en "nominale" et le problème est maintenant résolu. Merci pour votre soutien.
Ré : La matrice de confusion n'est pas visible lors de la création d'une forêt Bootstrap avec une réponse catégorielleCher @Victor_G
J'ai remarqué que les données BAD étaient marquées comme "continues". Je l'ai maintenant changé en "nominales" et le problème est maintenant résolu. Merci pour votre soutien.
Concernant ma deuxième question, je comprends que le modèle de forêt bootstrap est conçu pour prédire si un client présente un risque de crédit négatif.
Dans l'exemple de Bootstrap Forest avec une réponse catégorielle comme indiqué sur le lien ci-dessous, trois rapports ont été produits et interprétés que je cite ci-dessous.
https://www.jmp.com/support/help/en/17.1/?os=win&source=application#page/jmp/example-of-bootstrap-forest-with-a-categorical-response.shtml#
- Rapport statistique global
« Le rapport global montre que les taux d'erreur de classification pour les ensembles de validation et de test sont respectivement d'environ 11,4 % et 9,9 %. Les matrices de confusion suggèrent que la principale source d'erreur de classification est la classification des clients à mauvais risque comme des clients à bon risque.
Les résultats de l'ensemble de test vous donnent une indication de la façon dont votre modèle s'étend aux observations indépendantes. L'ensemble de validation a été utilisé pour sélectionner le modèle Bootstrap Forest. Pour cette raison, les résultats de l'ensemble de validation donnent une indication biaisée de la façon dont le modèle se généralise aux données indépendantes.
- Rapport de contribution des colonnes
[Vous souhaitez déterminer quels prédicteurs ont le plus contribué à votre modèle.]
« Le rapport Column Contributions suggère que le meilleur indicateur du risque de crédit d'un client est DEBTINC, qui correspond au ratio dette/revenu. Les autres principaux contributeurs au modèle sont DELINQ, le nombre de lignes de crédit en souffrance, et VALUE, la valeur estimée du client. »
- Rapport sur les valeurs manquantes
« La colonne DEBTINC contient 1267 valeurs manquantes, ce qui représente environ 21 % des observations. La plupart des autres colonnes impliquées dans l'analyse Bootstrap Forest contiennent également des valeurs manquantes. L'option Informative Missing dans la fenêtre de lancement garantit que les valeurs manquantes sont traitées de manière à reconnaître toute information qu'elles contiennent. »
Cependant, j’ai du mal à comprendre comment les résultats des trois rapports ci-dessus peuvent être utilisés pour prédire si un client présente un risque de crédit.
