범주형 응답을 사용하여 Bootstrap Forest를 구축할 때 혼동 행렬이 나타나지 않습니다.안녕.
저는 JMP Pro 18에서 Equity 파일(JMP 데이터베이스)을 사용하여 범주형 응답(BAD)이 있는 Bootstrap Forest를 빌드했습니다. https://www.jmp.com/support/help/en/17.1/?os=win&source=application#page/jmp/example-of-bootstrap-forest-with-a-categorical-response.shtml# 에 제공된 지침을 따랐습니다.
하지만 보고서에는 혼동 행렬이 포함되어 있지 않습니다. 내가 어떤 단계를 놓치고 있는지 제안해 줄 수 있는 사람이 있나요?
게다가, 이 가이드의 시작 부분에는 " 부트스트랩 포레스트 모델은 고객이 나쁜 신용 위험인지 예측하기 위해 구축되었습니다 ."라고 쓰여 있습니다. 하지만 가이드에 제시된 분석에서 어떻게 결과(즉, 나쁜 신용 위험)를 명확하게 결론 내릴 수 있을까요?
고급 통계 모델링예측 모델링 및 머신 러닝Re: 범주형 응답을 사용하여 Bootstrap Forest를 구축할 때 혼동 행렬이 표시되지 않음여기 Equity 데이터 세트가 있습니다.
Re: 범주형 응답을 사용하여 Bootstrap Forest를 구축할 때 혼동 행렬이 표시되지 않음BAD 열을 명목 모델링 유형으로 변경합니다.
Re: 범주형 응답을 사용하여 Bootstrap Forest를 구축할 때 혼동 행렬이 표시되지 않음안녕하세요 @madhu ,
이상하게도 이 Equity 데이터 세트에서 Bootstrap Forest를 다시 시작하면 혼동 행렬이 제공됩니다.
또한 확인했는데, 혼동 행렬은 보고서에 기본적으로 표시되며 모양은 자동으로 지정되며 플랫폼 기본 설정과 관련이 없습니다.
support@jmp.com 으로 기술 지원팀에 문의해보는 건 어떨까요?
두 번째 질문에 대한 답으로, 이 데이터 세트의 목적은 다양한 설명자(대출, 상환기일, 가치, ...부채)를 기반으로 개인의 신용 위험이 나쁜지(응답 열 "나쁨"에서 "나쁜 위험 수준") 아니면 허용 가능한 수준("좋은 위험 수준")인지 예측하는 것입니다.
은행/보험 회사의 목표는 갚을 수 있는 사람에게만 돈을 빌려주는 것이므로, 다양한 설명어와 모델을 통해 효과적으로 갚을 수 있는 사람을 찾아내면 돈을 빌려주는 데 따른 위험이 가치 있는지 여부를 보다 쉽게 판단할 수 있습니다.
이 답변이 도움이 되길 바랍니다.
Re: 범주형 응답을 사용하여 Bootstrap Forest를 구축할 때 혼동 행렬이 표시되지 않음안녕하세요 #j티
맞습니다. 저는 BAD 데이터가 "연속"으로 표시되어 있는 것을 알아챘습니다. 이제 "명목"으로 변경했고 이제 문제가 해결되었습니다. 지원해 주셔서 감사합니다.
Re: 범주형 응답을 사용하여 Bootstrap Forest를 구축할 때 혼동 행렬이 표시되지 않음친애하는 @Victor_G
BAD 데이터가 "연속"으로 표시되어 있는 것을 알아챘습니다. 이제 "명목"으로 변경했고 이제 문제가 해결되었습니다. 지원해 주셔서 감사합니다.
두 번째 질문에 대한 답은, 부트스트랩 포레스트 모델은 고객이 신용 위험이 있는지 여부를 예측하기 위해 구축된 것으로 알고 있습니다.
아래 링크에서 볼 수 있는 범주형 응답을 포함한 Bootstrap Forest의 예에서 세 개의 보고서가 작성되어 해석되었으며, 아래에 인용했습니다.
https://www.jmp.com/support/help/en/17.1/?os=win&source=application#page/jmp/example-of-bootstrap-forest-with-a-categorical-response.shtml#
- 전체 통계 보고서
"전체 보고서는 검증 및 테스트 세트의 오분류율이 각각 약 11.4%와 9.9%임을 보여줍니다. 혼동 행렬은 오분류의 가장 큰 원인은 나쁜 위험 고객을 좋은 위험으로 분류하는 것이라고 시사합니다.
테스트 세트의 결과는 모델이 독립 관찰로 얼마나 잘 확장되는지에 대한 지표를 제공합니다. 검증 세트는 Bootstrap Forest 모델을 선택하는 데 사용되었습니다. 이러한 이유로 검증 세트의 결과는 모델이 독립 데이터로 일반화되는 방식에 대한 편향된 지표를 제공합니다.”
- 칼럼 기여 보고서
[귀하는 어떤 예측 변수가 모델에 가장 큰 기여를 했는지 확인하는 데 관심이 있습니다.]
"Column Contributions 보고서는 고객의 신용 위험에 대한 가장 강력한 예측 요인이 부채 대 소득 비율인 DEBTINC임을 시사합니다. 이 모델에 대한 두 번째로 높은 기여 요인은 연체 신용 한도 수인 DELINQ와 고객의 평가 가치인 VALUE입니다."
- 누락된 값 보고서
"DEBTINC 열에는 1267개의 누락 값이 포함되어 있으며, 이는 관측치의 약 21%에 해당합니다. Bootstrap Forest 분석에 포함된 대부분의 다른 열에도 누락 값이 포함되어 있습니다. 시작 창의 Informative Missing 옵션은 누락 값이 포함된 모든 정보를 인식하는 방식으로 처리되도록 합니다."
그러나 위의 세 가지 보고서의 결과를 사용해 고객이 신용 위험이 있는지 예측하는 방법이 어떻게 이해될 수 있는지 잘 모르겠습니다.
