Untersuchen der Variablenclusterung und -bedeutung in JMP ®
Ryan J. Parker, JMP-Technikstudent, SAS
@RyanParker
Diese Präsentation demonstriert zwei Techniken, um Einblicke in die in JMP Pro integrierten Vorhersagemodelle zu gewinnen. Die erste Technik, das Variablenclustering, vereinfacht den Modellerstellungsprozess für den Anwender, indem ähnliche Prädiktoren in Cluster gruppiert werden. Anhand eines Datensatzes zur Weinqualität veranschaulichen wir, wie diese Reduktion nicht nur die Vorhersagekraft verbessert, sondern auch die Interpretierbarkeit des angepassten Modells verbessert. Anschließend zeigen wir, wie die zweite Technik, die Variablenwichtigkeit, zur Bewertung der Bedeutung von Eingangsvariablen in komplexen statistischen Modellen eingesetzt werden kann. Durch die Zerlegung der Antwortvariabilität eines statistischen Modells anhand der Verteilung möglicher Eingangsvariablen ermöglicht diese Methode dem Anwender, die Bedeutung von Eingangsvariablen für die Antwort eines Modells zu untersuchen. Zu wissen, welche Variablen den größten Einfluss auf die Antwortvariabilität haben, ist wichtig, um zu verstehen, wie diese Eingaben Vorhersagen beeinflussen. Anhand komplexer statistischer Modelle, wie beispielsweise neuronaler Netze, zeigen wir, wie JMP Schätzungen der Haupteffekte und der Gesamteffekte (einschließlich aller möglichen Interaktionseffekte) für jeden Prädiktor im Modell liefert. Diese Sitzung wird von Chris Gotwalt, Senior Research Statistician und Director of Research and Development bei JMP, präsentiert.
