레벨: 중급
Tony Cooper, SAS의 수석 분석 컨설턴트
Sam Edgemon, SAS의 수석 분석 컨설턴트
머신 러닝은 예측 모델을 만드는 것입니다. 대상(응답)이 명목상이면 좋은 모델은 참 양성을 극대화하고 거짓 양성을 최소화합니다. 설계된 실험은 동일한 분석 알고리즘을 많이 사용하지만, 초점은 인과성과 성공을 위한 적절한 레시피에 맞춰집니다. JMP 사용자는 이 패러다임에 더 익숙할 수 있으며, 종종 모델을 보고 "왜 예측이 그렇게 높을까? 어떻게 개선할까? 비즈니스에서 중요한 것은 무엇일까?"라고 묻습니다. 이러한 질문은 예측 모델이 설명적이 되도록 요구하므로 답하기 어려울 수 있습니다. 변수의 범위 제한 및 다중공선성과 같은 문제는 예측 모델에서 설명 모델로 전환하기 어렵게 만들 수 있습니다. 또한 모델의 숫자 요약은 주제 전문가가 질문하도록 장려하지 않습니다. 예측 모델과 근본 원인 분석의 차이는 간과될 수 있지만, 상관관계가 인과 관계를 의미하지는 않는다는 것을 알고 있습니다. 고급 모델링 기술에 대한 추진으로 인해 데이터를 설명하는 기술이 사라지고 있습니다. JMP의 겸손한 Profiler는 모델을 말하게 하는 강력한 도구입니다. 이 프레젠테이션은 데이터 마이너에게도 Profiler와 Graph Builder가 차이를 만들어낸다는 점을 일깨워줍니다.
