Explorando la agrupación de variables y su importancia en JMP ®
Ryan J. Parker, estudiante técnico de JMP, SAS
@RyanParker
Esta presentación muestra dos técnicas para comprender mejor los modelos predictivos integrados en JMP Pro. La primera técnica, la agrupación de variables, simplifica el proceso de construcción del modelo al agrupar predictores similares en clústeres. Utilizando un conjunto de datos sobre la calidad del vino, ilustramos cómo esta reducción no solo beneficia la capacidad predictiva, sino que también mejora la interpretabilidad del modelo ajustado. A continuación, mostramos cómo la segunda técnica, la importancia de la variable, puede utilizarse para evaluar la importancia de las variables de entrada en modelos estadísticos complejos. Al descomponer la variabilidad de la respuesta de un modelo estadístico mediante la distribución de las posibles variables de entrada, este método permite al usuario examinar la importancia de las variables de entrada en la respuesta de un modelo. Conocer qué variables tienen el mayor impacto en la variabilidad de la respuesta es importante para comprender cómo estas variables afectan las predicciones. Utilizando modelos estadísticos complejos, como las redes neuronales, mostramos cómo JMP proporciona estimaciones de los efectos principales y los efectos totales (que incluyen todos los posibles efectos de interacción) para cada predictor del modelo. Esta sesión será presentada por Chris Gotwalt, Estadístico Sénior de Investigación y Director de Investigación y Desarrollo de JMP.
