La matrice di confusione non viene visualizzata quando si crea una foresta Bootstrap con una risposta categorialeCIAO.
Ho lavorato con il file Equity (database JMP) su JMP Pro 18 per creare una foresta Bootstrap con una risposta categoriale (BAD). Ho seguito le istruzioni fornite su https://www.jmp.com/support/help/en/17.1/?os=win&source=application#page/jmp/example-of-bootstrap-forest-with-a-categorical-response.shtml#
Tuttavia, il report non include la matrice di confusione. Qualcuno può suggerirmi se mi manca qualche passaggio?
Inoltre, all'inizio di questa guida è scritto che " il modello bootstrap forest è costruito per prevedere se un cliente è un cattivo rischio di credito". Tuttavia, dall'analisi presentata nella guida come posso trarre conclusioni chiare sul risultato (ad esempio, cattivo rischio di credito)?
Modellazione statistica avanzataModellazione predittiva e apprendimento automaticoRe: La matrice di confusione non viene visualizzata quando si crea una foresta Bootstrap con una risposta categorialeEcco il set di dati Equity
Re: La matrice di confusione non viene visualizzata quando si crea una foresta Bootstrap con una risposta categorialeModificare il tipo di modellazione della colonna BAD in Nominale.
Re: La matrice di confusione non viene visualizzata quando si crea una foresta Bootstrap con una risposta categorialeCiao @madhu ,
È strano, il rilancio di Bootstrap Forest su questo set di dati azionari mi fornisce una matrice di confusione:
Ho anche controllato e la matrice di confusione è visualizzata di default nel report, il suo aspetto è automatico e non è correlato alle preferenze della piattaforma:
Puoi contattare il supporto tecnico all'indirizzo support@jmp.com ?
Per quanto riguarda la seconda domanda, l'obiettivo di questo set di dati è prevedere, sulla base di vari descrittori (PRESTO, MUTUO, VALORE, ...DEBITO), se una persona ha un rischio di credito negativo (livello "Rischio negativo" nella colonna di risposta "CATTIVO") o uno accettabile (livello "Rischio positivo").
L'obiettivo di una banca/compagnia assicurativa è quello di prestare denaro solo a persone in grado di rimborsare il prestito; quindi, se riesci a individuare le persone in grado di rimborsarti in modo efficace grazie a vari descrittori e a un modello, puoi determinare più facilmente se il rischio di prestare denaro vale la pena o meno.
Spero che questa risposta possa aiutarti,
Re: La matrice di confusione non viene visualizzata quando si crea una foresta Bootstrap con una risposta categorialeCiao #jthi
Corretto. Ho notato che i dati BAD erano contrassegnati come "continui". Ora li ho cambiati in "nominali" e il problema è stato risolto. Grazie per il supporto.
Re: La matrice di confusione non viene visualizzata quando si crea una foresta Bootstrap con una risposta categorialeCaro @Victor_G
Ho notato che i dati BAD erano contrassegnati come "continui". Ora li ho cambiati in "nominali" e il problema è stato risolto. Grazie per il supporto.
Per quanto riguarda la mia seconda domanda, ho capito che il modello bootstrap forest è stato creato per prevedere se un cliente presenta un rischio di cattivo credito.
Nell'esempio di Bootstrap Forest con una risposta categoriale, come visibile nel collegamento sottostante, sono stati prodotti e interpretati tre report che riporto di seguito.
https://www.jmp.com/support/help/en/17.1/?os=win&source=application#page/jmp/example-of-bootstrap-forest-with-a-categorical-response.shtml#
- Rapporto statistico complessivo
"Il rapporto complessivo mostra che i tassi di classificazione errata per i set di convalida e test sono rispettivamente circa l'11,4% e il 9,9%. Le matrici di confusione suggeriscono che la principale fonte di classificazione errata è la classificazione dei clienti a rischio negativo come rischi positivi.
I risultati per il set di test forniscono un'indicazione di quanto bene il modello si estende a osservazioni indipendenti. Il set di convalida è stato utilizzato nella selezione del modello Bootstrap Forest. Per questo motivo, i risultati per il set di convalida forniscono un'indicazione distorta di come il modello si generalizza a dati indipendenti."
- Rapporto di contributo della colonna
[Sei interessato a determinare quali fattori predittivi hanno contribuito maggiormente al tuo modello.]
"Il report Column Contributions suggerisce che il predittore più forte del rischio di credito di un cliente è DEBTINC, ovvero il rapporto debito/reddito. I successivi maggiori contributori al modello sono DELINQ, il numero di linee di credito in arretrato, e VALUE, il valore stimato del cliente."
- Segnalazione valori mancanti
"La colonna DEBTINC contiene 1267 valori mancanti, che ammontano a circa il 21% delle osservazioni. Anche la maggior parte delle altre colonne coinvolte nell'analisi Bootstrap Forest contengono valori mancanti. L'opzione Informative Missing nella finestra di avvio assicura che i valori mancanti siano trattati in modo da riconoscere qualsiasi informazione che trasportano."
Tuttavia, faccio fatica a capire come i risultati dei tre report sopracitati possano essere utilizzati per prevedere se un cliente ha un rischio di cattivo credito.
