Exploration du clustering des variables et de leur importance dans JMP ®
Ryan J. Parker, étudiant technique JMP, SAS
@RyanParker
Cette présentation présente deux techniques permettant d'approfondir les connaissances sur les modèles prédictifs intégrés à JMP Pro. La première, le clustering de variables, simplifie la construction du modèle en regroupant les prédicteurs similaires. À l'aide d'un ensemble de données sur la qualité du vin, nous illustrons les avantages de cette réduction en termes de puissance prédictive et d'interprétation du modèle ajusté. Nous montrons ensuite comment la seconde technique, l'importance des variables, permet d'évaluer l'importance des variables d'entrée dans des modèles statistiques complexes. En décomposant la variabilité de réponse d'un modèle statistique à l'aide de la distribution des variables d'entrée possibles, cette méthode permet d'examiner l'importance des variables d'entrée sur la réponse d'un modèle. Il est important de connaître les variables ayant le plus d'impact sur la variabilité de réponse pour comprendre l'impact de ces variables sur les prédictions. À l'aide de modèles statistiques complexes, tels que les réseaux de neurones, nous montrons comment JMP fournit des estimations des effets principaux et des effets totaux (qui incluent tous les effets d'interaction possibles) pour chaque prédicteur du modèle. Cette session sera présentée par Chris Gotwalt, statisticien de recherche principal et directeur de la recherche et du développement pour JMP.
