Liebe JMP-Community,
Ich habe versucht, ähnliche Beiträge zu finden, aber bisher geht keiner auf meine Frage ein.
Ich habe hier auch Dummy-Daten angehängt.
Ich betreibe Data Mining, um die Auswirkungen der Faktoren gegenüber den Reaktionen zu profilieren und zu quantifizieren.
Um es einfach auszudrücken: Ich habe 2 Faktoren (kategorisch mit 2 Ebenen) und 1 Antwort (Ertragsverlust), die ein Prozentsatz ist.
Wir erfassen den Ertragsverlust jedes Tages im Vergleich zu den 2 Faktoren, die wir an diesem Tag verwenden.
Unsere Produktionsmenge ist jeden Tag unterschiedlich.
Die von mir verwendete Modellierungstechnik ist Partition.
Berechnen Sie den mittleren Prozentsatz direkt aus der Partition, wie in der Ausgabe unten gezeigt.
Da die von uns produzierte Menge jeden Tag unterschiedlich ist, ist es nicht korrekt, dass mit der Partition einfach der Mittelwert des Ertragsverlusts in Prozent berechnet wird.
Meine Frage ist:
1. Wie berechnen wir in diesem Fall den gewichteten Mittelwert mithilfe der Partition? Ich sehe in der Partitionsplattform eine Option für „Gewicht“, bin mir aber nicht sicher, wie ich diese nutzen soll.
2. Gibt es eine Funktion in der Partition, bei der wir den Median anstelle des Mittelwerts verwenden könnten? (da die Ertragsverlustverteilung im Allgemeinen verzerrt ist).
Vielen Dank für Ihren Rat,
Zappy
Hallo @Zappy ,
Sie könnten möglicherweise eine Spalte mit der Anzahl der Chargen/Mengen pro Tag hinzufügen und diese Informationen als Häufigkeitsinformationen beim Starten der Partitionsplattform verwenden: https://www.jmp.com/support/help/en/18.2/#page/jmp/launch-the-partition-platform.shtml#ww1276002
Der Entscheidungsbaum erstellt keine Splits direkt basierend auf Mittelwerten. Weitere Informationen finden Sie unter https://www.jmp.com/support/help/en/18.2/#page/jmp/statistical-details-for-the-splitting-criterion.shtml#ww1277127 . Ich denke daher, dass Sie auch direkt über die Plattform wertvolle Erkenntnisse gewinnen können.
Wenn nicht, könnten Sie vielleicht versuchen, Ihre Daten zu transformieren, indem Sie Ihre Rohdaten zunächst in Werteklassen einteilen oder Ihre Rohdaten logarithmisch transformieren (wenn die Verteilung annähernd logarithmisch normal ist), bevor Sie sie mit Decision Tree partitionieren?
Hoffe, diese Antwort wird Ihnen helfen,
