Esplorazione del clustering delle variabili e della loro importanza in JMP ®
Ryan J. Parker, studente tecnico JMP, SAS
@RyanParker
Questa presentazione illustra due tecniche per ampliare la comprensione dei modelli predittivi integrati in JMP Pro. La prima tecnica, il clustering delle variabili, semplifica il processo di creazione del modello per l'utente raggruppando predittori simili in cluster. Utilizzando un set di dati sulla qualità del vino, illustriamo come questa riduzione non solo abbia vantaggi in termini di potere predittivo, ma migliori anche l'interpretabilità del modello adattato. Successivamente, mostriamo come la seconda tecnica, l'importanza delle variabili, possa essere utilizzata per valutare l'importanza delle variabili di input in modelli statistici complessi. Scomponendo la variabilità di risposta di un modello statistico utilizzando la distribuzione di possibili variabili di input, questo metodo consente all'utente di esaminare l'importanza delle variabili di input sulla risposta di un modello. Sapere quali variabili hanno il maggiore impatto sulla variabilità di risposta è importante per comprendere come questi input influenzano le previsioni. Utilizzando modelli statistici complessi, come le reti neurali, mostriamo come JMP fornisca stime degli effetti principali e degli effetti totali (che includono tutti i possibili effetti di interazione) per ciascun predittore nel modello. Questa sessione sarà presentata da Chris Gotwalt, Senior Research Statistician e Director of Research and Development per JMP.
