JMP®에서 변수 클러스터링 및 중요도 탐색 JMP® 에서 변수 클러스터링 및 중요도 탐색
Ryan J. Parker, JMP 기술 학생, SAS
@라이언파커
이 프레젠테이션에서는 JMP Pro에 내장된 예측 모델에 대한 통찰력을 제공하는 두 가지 기술을 보여줍니다. 첫 번째 기술인 변수 클러스터링은 유사한 예측 변수를 클러스터로 그룹화하여 사용자를 위한 모델 구축 프로세스를 간소화하는 방법을 보여줍니다. 와인 품질에 대한 데이터 세트를 사용하여 이러한 감소가 예측 능력 측면에서 이점이 있을 뿐만 아니라 적합 모델의 해석성도 개선하는 방법을 설명합니다. 다음으로 두 번째 기술인 변수 중요도를 사용하여 복잡한 통계 모델에서 입력 변수의 중요성을 평가하는 방법을 보여줍니다. 가능한 입력 변수의 분포를 사용하여 통계 모델의 반응 변동성을 분해함으로써 이 방법을 통해 사용자는 모델의 반응에 대한 입력 변수의 중요성을 검토할 수 있습니다. 어떤 변수가 반응 변동성에 가장 큰 영향을 미치는지 아는 것은 이러한 입력이 예측에 어떤 영향을 미치는지 이해하는 데 중요합니다. 신경망과 같은 복잡한 통계 모델을 사용하여 JMP가 모델의 각 예측 변수에 대한 주효과와 총효과(모든 가능한 상호 작용 효과 포함)의 추정치를 제공하는 방법을 보여줍니다. 이 세션은 JMP의 수석 연구 통계학자이자 연구 개발 책임자인 Chris Gotwalt가 발표합니다.
