Beim Erstellen eines Bootstrap-Forests mit einer kategorischen Antwort wird die Verwirrungsmatrix nicht angezeigtHallo.
Ich habe mit der Equity-Datei (JMP-Datenbank) in JMP Pro 18 gearbeitet, um einen Bootstrap Forest mit einer kategorialen Antwort (BAD) zu erstellen. Ich habe die Anweisungen unter https://www.jmp.com/support/help/en/17.1/?os=win&source=application#page/jmp/example-of-bootstrap-forest-with-a-categorical-response.shtml# befolgt.
Der Bericht enthält jedoch nicht die Konfusionsmatrix. Kann mir jemand einen Rat geben, falls ich einen Schritt übersehen habe?
Außerdem steht am Anfang dieses Leitfadens: „ Das Bootstrap-Forest-Modell wird erstellt, um vorherzusagen, ob ein Kunde ein schlechtes Kreditrisiko darstellt.“ Wie kann ich jedoch aus der im Leitfaden vorgestellten Analyse eindeutig auf das Ergebnis (d. h. schlechtes Kreditrisiko) schließen?
Erweiterte statistische ModellierungPrädiktive Modellierung und maschinelles LernenBetreff: Beim Erstellen eines Bootstrap-Forests mit einer kategorischen Antwort wird die Verwirrungsmatrix nicht angezeigt.Hier ist der Equity-Datensatz
Betreff: Beim Erstellen eines Bootstrap-Forests mit einer kategorischen Antwort wird die Verwirrungsmatrix nicht angezeigt.Ändern Sie die Spalte BAD in den nominalen Modellierungstyp.
Betreff: Beim Erstellen eines Bootstrap-Forests mit einer kategorischen Antwort wird die Verwirrungsmatrix nicht angezeigt.Hallo @madhu ,
Es ist seltsam, dass der Neustart eines Bootstrap Forest auf diesem Equity-Datensatz mir eine Konfusionsmatrix liefert:
Ich habe es auch überprüft, und die Verwirrungsmatrix wird standardmäßig im Bericht angezeigt. Ihr Erscheinen erfolgt automatisch und ist nicht von den Plattformeinstellungen abhängig:
Sie können möglicherweise den technischen Support unter support@jmp.com kontaktieren?
Zu Ihrer zweiten Frage: Das Ziel dieses Datensatzes besteht darin, auf der Grundlage verschiedener Deskriptoren (Darlehen, Hypothekendarlehen, Wert, ...Schulden) vorherzusagen, ob eine Person ein geringes Kreditrisiko (Stufe „Geringes Risiko“ in der Antwortspalte „SCHLECHT“) oder ein akzeptables (Stufe „Gutes Risiko“) hat.
Das Ziel einer Bank/Versicherungsgesellschaft besteht darin, nur an Personen Geld zu verleihen, die es zurückzahlen können. Wenn Sie also dank verschiedener Deskriptoren und eines Modells Personen identifizieren können, die Ihnen das Geld effektiv zurückzahlen können, können Sie leichter bestimmen, ob es das Risiko wert ist, Geld zu verleihen oder nicht.
Ich hoffe, diese Antwort kann Ihnen helfen.
Betreff: Beim Erstellen eines Bootstrap-Forests mit einer kategorischen Antwort wird die Verwirrungsmatrix nicht angezeigt.Hallo #jthi
Das ist richtig. Mir ist aufgefallen, dass die SCHLECHTEN Daten als „kontinuierlich“ markiert waren. Ich habe sie jetzt in „nominal“ geändert und das Problem ist nun gelöst. Vielen Dank für Ihre Unterstützung.
Betreff: Beim Erstellen eines Bootstrap-Forests mit einer kategorischen Antwort wird die Verwirrungsmatrix nicht angezeigt.Lieber @Victor_G
Mir ist aufgefallen, dass die SCHLECHTEN Daten als „kontinuierlich“ markiert waren. Ich habe sie jetzt auf „nominal“ geändert und das Problem ist nun gelöst. Vielen Dank für Ihre Unterstützung.
Was meine zweite Frage betrifft, so verstehe ich es, dass das Bootstrap-Forest-Modell darauf ausgelegt ist, vorherzusagen, ob ein Kunde ein geringes Kreditrisiko darstellt.
Im Beispiel eines Bootstrap Forest mit einer kategorischen Antwort, wie unter dem folgenden Link zu sehen, wurden drei Berichte erstellt und interpretiert, die ich unten zitiere.
https://www.jmp.com/support/help/en/17.1/?os=win&source=application#page/jmp/example-of-bootstrap-forest-with-a-categorical-response.shtml#
- Gesamtstatistikbericht
„Der Gesamtbericht zeigt, dass die Fehlklassifizierungsraten für die Validierungs- und Testsätze bei etwa 11,4 % bzw. 9,9 % liegen. Die Konfusionsmatrizen legen nahe, dass die größte Quelle der Fehlklassifizierung die Einstufung von Kunden mit schlechtem Risiko als Kunden mit gutem Risiko ist.
Die Ergebnisse des Testsatzes geben Ihnen einen Hinweis darauf, wie gut sich Ihr Modell auf unabhängige Beobachtungen ausdehnt. Der Validierungssatz wurde bei der Auswahl des Bootstrap Forest-Modells verwendet. Aus diesem Grund geben die Ergebnisse des Validierungssatzes einen verzerrten Hinweis darauf, wie sich das Modell auf unabhängige Daten verallgemeinern lässt.“
- Kolumnenbeitragsbericht
[Sie möchten feststellen, welche Prädiktoren den größten Beitrag zu Ihrem Modell geleistet haben.]
„Der Bericht „Column Contributions“ legt nahe, dass der stärkste Prädiktor für das Kreditrisiko eines Kunden DEBTINC ist, also das Verhältnis von Schulden zu Einkommen. Die nächsthöchsten Beiträge zum Modell sind DELINQ, die Anzahl der überfälligen Kreditlinien, und VALUE, der geschätzte Wert des Kunden.“
- Bericht zu fehlenden Werten
„Die Spalte DEBTINC enthält 1267 fehlende Werte, was etwa 21 % der Beobachtungen entspricht. Die meisten anderen Spalten, die an der Bootstrap Forest-Analyse beteiligt sind, enthalten ebenfalls fehlende Werte. Die Option „Informative Missing“ im Startfenster stellt sicher, dass die fehlenden Werte so behandelt werden, dass alle darin enthaltenen Informationen berücksichtigt werden.“
Mir fällt es jedoch schwer zu verstehen, wie die Ergebnisse der drei oben genannten Berichte dazu verwendet werden können, vorherzusagen, ob ein Kunde ein schlechtes Kreditrisiko darstellt.
