Hinweise zum Boosted Tree-Modell und zum Export nach ExcelHallo,
Ich arbeite an einem Modell für meine Arbeit, dessen Ziel darin besteht, Parameter einzugeben und am Ende eine endgültige Feuchtigkeitsprognose zu erhalten. Da ich mit einer großen Datenmenge (ca. 4000 Datenpunkte) arbeiten muss, habe ich mir das Boosted-Tree-Modell angesehen. Ich habe diese Funktion noch nie zuvor verwendet, und sie hat sich automatisch auf 200 Ebenen, 12 Splits pro Baum und eine Lernrate von 0,121 eingestellt. Ich war mir nicht sicher, ob dies gute Parameter waren oder ob es für diesen Datensatz zu spezifisch wäre. Es ergab einen R-Quadrat-Wert von 0,75 und einen RASE-Wert von 0,45 – das Beste, was ich bisher von einem Modell erhalten habe.
Ich habe auch versucht, es nach Excel zu exportieren, konnte die Funktion dort aber nicht abrufen. Ich weiß, dass die Boosted-Tree-Funktionen sehr kompliziert sind, daher funktioniert es möglicherweise einfach nicht. Idealerweise hätte ich die Boosted-Tree-Funktion gerne in Excel, da nicht jeder bei mir auf der Arbeit JMP verwendet.
Jeder Rat und jede Hilfe ist willkommen. Danke!
Prädiktive Modellierung und maschinelles LernenQualitäts- und ProzesstechnikWeiter: Hinweise zum Boosted Tree Model und zum Exportieren nach ExcelDanke. Ich möchte auch wissen
Die Vorhersageformel für den Entscheidungsbaum (Partition) ist sehr einfach.
Allerdings sind die Vorhersageformeln für Lift Trees und Random Forests völlig unterschiedlich und es ist sehr schwierig, sie in unabhängige Formeln aufzuteilen.
Danke, Experten!
Betreff: Hinweise zum Boosted Tree-Modell und zum Exportieren nach ExcelHallo @andrewdy04 ,
Willkommen in der Community!
Die Mechanismen baumbasierter Modelle sind einfach, da sie auf if-else-Anweisungen beruhen, die Schwellenwerte für die Faktoren verwenden.
Wenn Sie Ihr baumbasiertes Modell in Excel verwenden möchten, können Sie die Vorhersageformel in JMP speichern und die if-else-JSL-Funktionen durch die entsprechenden Excel-Funktionen ersetzen. Boosted Tree und Random Forests können jedoch recht komplexe (und lange) Vorhersageformeln haben:
Zum Thema Modellierungsstrategie kann ich Ihnen leider nicht genügend Informationen geben. Hier sind einige Fragen, die Ihnen helfen können:
- Wie wurden die Daten erhoben? Durch experimentelle Datenstrategien wie DoE? Oder Beobachtungsdaten/Produktionsdaten? Die Datenmenge reicht nicht aus, um ein gutes Modell zu erstellen. Sie sollten Ihre Bemühungen auf die Erhebung qualitativ hochwertiger Informationsdaten konzentrieren, um sicherzustellen, dass Ihre Modelle über genügend Variabilität verfügen.
- Was ist Ihr Ziel? Prädiktive Modellierung, erklärende Modellierung, beides? Wie wichtig ist Ihnen die Interpretierbarkeit/Erklärbarkeit des Modells (Verständnis der Schlüsselfaktoren/Treiber des Vorhersagemodells)?
- Gibt es Einschränkungen oder Spezifikationen, die die Modellauswahl beeinflussen könnten? Erwarten Sie beispielsweise Nichtlinearität? Krümmung? Wünschen Sie sich gleichmäßige Vorhersagewerte über Ihren experimentellen Raum oder sind „schrittbasierte“ Vorhersagen (aus baumbasierten Modellen) akzeptabel? Weitere Informationen hierzu finden Sie in meinem Beitrag: Modellvergleich und -auswahl.
- Was sind Ihre Leistungskennzahlen und Akzeptanzschwellenwerte? Anhand welcher Leistungskennzahlen bewerten, vergleichen und wählen Sie Ihre Modelle aus? Welcher Schwellenwert für jede Leistungskennzahl ist anhand der Messkapazität (Wiederholbarkeit, Reproduzierbarkeit, Präzision usw.) zu bestimmen, ab wann die Modellleistung „gut genug“ ist?
- Wie sieht Ihre Validierungsstrategie aus? Da Sie offenbar prädiktive Modellierung anstreben, wie sieht Ihre Validierungsstrategie aus , um Überanpassung zu vermeiden: K-fach-Kreuzvalidierung, Validierungsspalte, andere …? Boosted Tree neigt möglicherweise eher zu Überanpassung als andere baumbasierte Methoden (z. B. Bootstrap Forest). Daher ist es immer am besten, eine Validierungsstrategie festzulegen, bevor man versucht, die Leistung zu optimieren (egal ob mit dem Boosted Tree-Modell oder anderen). Einige Beiträge diskutieren dies:
Gelöst: Kreuzvalidierung mithilfe der K-fachen Anpassungsqualität – JMP-Benutzergemeinschaft
Gelöst: Bootstrap Forest Platform > Spalte „Validierung“ vs. Abschnitt „Validierung“ – JMP-Benutzer-Community
Gelöst: Betreff: Kreuzvalidierung – Validierungsspaltenmethode – JMP-Benutzergemeinschaft
- Bei der Verwendung von Machine-Learning-Modellen ist auch die Hyperparameter-Optimierung relevant, da manche Algorithmen empfindlicher auf die Hyperparameter-Optimierung reagieren als andere. Bootstrap/Random Forests reagieren typischerweise deutlich weniger empfindlich auf die Hyperparameter-Optimierung als Boosted-Modelle wie Boosted Tree.
Hoffe, diese erste Antwort kann Ihnen helfen,
