在 JMP® 中探索变量聚类和重要性 在 JMP ®中探索变量聚类和重要性
Ryan J. Parker，SAS JMP 技术学生
@RyanParker
本演示将展示两种技术，用于深入了解 JMP Pro 内置的预测模型。第一种技术是变量聚类，它通过将相似的预测因子分组为聚类，简化了用户的模型构建过程。我们使用一组葡萄酒质量数据集来说明这种减少不仅在预测能力方面有好处，而且还提高了拟合模型的可解释性。接下来，我们将展示第二种技术，即变量重要性，它可用于评估复杂统计模型中输入变量的重要性。通过使用可能的输入变量的分布来分解统计模型的响应变异性，此方法允许用户检查输入变量对模型响应的重要性。了解哪些变量对响应变异性的影响最大，对于理解这些输入如何影响预测非常重要。使用复杂的统计模型（例如神经网络），我们将展示 JMP 如何为模型中的每个预测因子提供主效应和总效应（包括所有可能的交互效应）的估计值。本讲座将由 JMP 高级研究统计师兼研发总监 Chris Gotwalt 主持。
