안녕하세요,
저는 제 업무를 위해 매개변수를 입력하면 최종 수분량을 예측할 수 있는 모델을 개발하고 있습니다. 작업해야 할 데이터가 많아서(약 4,000개의 데이터 포인트) 부스트 트리 모델을 사용해 보려고 했습니다. 이 기능을 처음 사용해 봤는데, 자동으로 레이어 200개, 트리당 분할 12개, 학습률 0.121이 채워졌습니다. 이 매개변수가 적절한지, 아니면 이 데이터 세트에만 적용하기에는 너무 구체적인지는 확신할 수 없었습니다. R제곱(Rsquared)은 0.75, RASE(상대적분가능성)는 0.45였는데, 지금까지 제가 사용해 본 모델 중 가장 좋은 결과였습니다.
엑셀로 내보내려고도 했는데, 함수를 제대로 구현할 수 없었습니다. 부스트 트리 함수가 너무 복잡해서 제대로 작동하지 않을 수도 있다는 걸 알고 있습니다. 제 직장의 모든 사람이 JMP를 사용하는 것은 아니기 때문에, 엑셀에서도 부스트 트리 함수를 사용할 수 있으면 좋겠습니다.
조언이나 도움을 주시면 감사하겠습니다!
감사합니다. 저도 알고 싶어요
의사결정 트리(파티션)에 대한 예측 공식은 매우 간단합니다.
그러나 리프트 트리와 랜덤 포레스트의 예측 공식은 완전히 다르며 이를 독립적인 공식으로 분해하는 것은 매우 어렵습니다.
전문가 여러분, 감사합니다!
안녕하세요 @andrewdy04 ,
커뮤니티에 오신 것을 환영합니다!
트리 기반 모델은 요인에 대한 임계값을 사용하는 if-else 문에 의존하므로 메커니즘이 간단합니다.
Excel에서 트리 기반 모델을 사용하려면 JMP에 예측 공식을 저장하고 if-else JSL 함수를 해당 Excel 함수로 대체할 수 있습니다. 그러나 부스트 트리와 랜덤 포레스트는 상당히 복잡하고 긴 예측 공식을 가질 수 있습니다.
모델링 전략에 대해서는 안내해 드릴 만한 정보가 부족합니다. 도움이 될 만한 몇 가지 질문을 드리겠습니다.
- 데이터는 어떻게 수집되었나요? DoE와 같은 실험 데이터 전략을 통해 수집되었나요? 아니면 관측 데이터/생산 데이터를 활용했나요? 좋은 모델을 구축하기 위해서는 데이터의 양만으로는 충분하지 않습니다. 모델에 충분한 변동성을 확보하기 위해 고품질 정보 데이터 수집에 집중해야 합니다.
- 귀하의 목표는 무엇입니까? 예측 모델링, 설명 모델링, 둘 다입니까? 모델 해석 가능성/설명 가능성이 귀하에게 얼마나 중요합니까? (예측 모델의 핵심 요소/동인을 이해)
- 모델 선택에 도움이 될 만한 제약 조건이나 세부 사항이 있나요? 예를 들어, 비선형성을 기대하시나요? 곡률이나 실험 공간에 대한 매끄러운 예측 값을 원하시나요? 아니면 트리 기반 모델의 "단계 기반" 예측이 허용되나요? 이에 대한 자세한 내용은 제 게시물( model-comparison-and-selection) 을 참조하세요.
- 귀사의 성과 지표와 허용 기준은 무엇입니까? 어떤 성과 지표를 기준으로 모델을 평가, 비교 및 선정할 예정입니까? 측정 능력(반복성, 재현성, 정밀도 등)을 기준으로, 각 성과 지표의 허용 기준은 얼마이며, 이 기준에서 모델 성능이 "충분히 좋다"고 평가할 수 있습니까?
- 검증 전략은 무엇인가요? 예측 모델링 목표를 가지고 계신 것 같은데, 과적합을 방지하기 위한 검증 전략은 무엇인가요? k-폴드 교차 검증, 검증 열, 기타 등등... 부스트 트리는 다른 트리 기반 방법(부트스트랩 포레스트 등)보다 과적합이 더 쉽게 발생할 수 있으므로, 부스트 트리 모델이든 다른 모델이든 성능 최적화를 시도하기 전에 검증 전략을 미리 정해 놓는 것이 가장 좋습니다. 이 주제에 대한 게시물이 몇 개 있습니다.
해결됨: k-폴드 적합 품질을 사용한 교차 검증 - JMP 사용자 커뮤니티
해결됨: Bootstrap Forest Platform > "검증" 열과 "검증" 부분 - JMP 사용자 커뮤니티
해결됨: Re: 교차 검증 - 검증 열 방법 - JMP 사용자 커뮤니티
- 머신 러닝 모델을 사용하는 경우, 하이퍼파라미터 튜닝이라는 주제도 있습니다. 일부 알고리즘은 다른 알고리즘보다 하이퍼파라미터 튜닝에 더 민감할 수 있기 때문입니다. 일반적으로 부트스트랩/랜덤 포레스트는 부스트 트리와 같은 부스트 모델보다 하이퍼파라미터 튜닝에 훨씬 덜 민감합니다.
이 첫 번째 답변이 도움이 되기를 바랍니다.
